Work· 2026Q2
Makine Öğrenmesi, Çalışanların İstihdam Edilebilirliğini Artırmak İçin Kişiselleştirilmiş Yaşam Tarzı Önerilerinde Başarısız Oldu
Application of machine learning for personalized advice about workers’ lifestyle changes to improve sustainable employability: Development and evaluation of a decision support tool
- 0atıf
- Q2SCImago
- 2026yıl
Kısa özet
Çalışanların sürdürülebilir istihdam edilebilirliğini iyileştirmeye yönelik kişiselleştirilmiş yaşam tarzı önerileri sunmak üzere geliştirilen bir makine öğrenmesi karar destek aracı (ML-DST), hedeflenen metrikleri karşılayan yalnızca bir model ile kullanışlı bir performans sergileyemedi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Sürdürülebilir istihdam edilebilirliği artırmak için kişiselleştirilmiş yaşam tarzı önerileri sunan bir Makine Öğrenmesi Karar Destek Aracı (ML-DST) geliştirildi.
- 3.412 çalışanın mesleki sağlık kontrolü verileri kullanılarak 12 model eğitildi.
- Performans, Doğru Pozitif Oranı (TPR) ve makroF1 puanına göre değerlendirildi, hedef ≥0.7 idi.
- Yalnızca bir model beslenme davranışı değişikliği için performans kriterlerini karşıladı, ancak profilleri kavramsal olarak anlamlı değildi.
- Diğer 11 model kullanışlı nicel performans elde edemedi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Background Occupational Health Check-ups (OHCs) have evolved from identifying work-related health risks to supporting sustainable employability through individualized lifestyle advice, but translating multidimensional demographic, occupational, and health characteristics into effective, personalized recommendations remains complex and lacks validated decision-support methods. Objective Aims of this study are to: 1) develop a Machine Learning Decision Support Tool (ML-DST) based on workers’ demographic, occupational, and health characteristics to support personalized advice about lifestyle changes to improve sustainable employability, and 2) evaluate performance of the ML-DST. Methods Real-world OHC data from a population-based cohort (2010–2020) were used to develop ML-DST models providing lifestyle advice (physical activity, smoking, alcohol, nutrition, relaxation, or no change) to improve workability and vitality. Paired baseline and 1–4-year follow-up data were used to train and evaluate 12 models. Per model, three rule-based algorithms were applied. Performance was considered useful when both True Positive Rate (TPR) and macroF1 score were ≥0.7. The best performing algorithm is proposed per model for inclusion in the final ML-DST. Results Of 20,440 individual OHCs, 3412 paired sets were included. Best TPRs ranged from 0.51 to 0.71. One model achieved TPR and macroF1 scores ≥0.7, supporting nutritional behavior change to improve vitality; however, its profiles were not conceptually meaningful. The other 11 models did not achieve useful quantitative performance. Conclusion Training algorithms for an ML-DST to support advice about lifestyle changes to improve long-term sustainable employability using data from regular Occupational Health Check-ups did not lead to useful model performance for improving workability and vitality.
Yazarların özeti; kaynağından alınmıştır. Work, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Sağlık Bilgi Yönetimi
Health Information ManagementHealth Professions