Factores de riesgo asociados al síndrome de burnout en docentes de la provincia del Carchi

• Velasco-Benavides, Juan ^[1] ; Herrera, Erick ^[1]
  1. [1] Universidad Politécnica Estatal del Carchi

     Universidad Politécnica Estatal del Carchi

     Tulcan, Ecuador

     
• Localización: IDEAS (Innovation & Development in Engineering and Applied Science), ISSN 2600-5573, Vol. 7, Nº. 1, 2025 (Ejemplar dedicado a: Addressing Current Challenges in Applied Engineering), págs. 26-45
• Idioma: español
• Títulos paralelos:
  • Risk factors associated with burnout syndrome in teachers in the province of Carchi.
• Enlaces
  • Texto completo
• Resumen
  • español

    Resumen. El síndrome de burnout es ampliamente conocido como un motivo de problema laboral que aqueja al personal docente a nivel mundial. Este problema relacionado con factores de riesgo que generan estrés surge debido al entorno laboral y diversas situaciones ligadas al trato con personas que demandan un alto nivel de dedicación e involucramiento. El presente estudio se centró en identificar factores de riesgo asociados al síndrome de burnout en docentes de la provincia del Carchi. El objetivo principal fue validar la adaptación del Inventario de Burnout de Maslach (MBI) al contexto educativo específico, y proponer un modelo de análisis de resultados basado en inteligencia artificial. Al validar el instrumento se identificó que este no se adaptaba completamente al contexto local por lo que el instrumento fue modificando, teniendo que removerse 5 preguntas que fueron identificadas como no relevantes mediante el Análisis Factorial Confirmatorio, y se incorporó información demográfica de los participantes considerada de interés para las instituciones participantes. De esta manera, para la extracción de resultados a partir del test, se diseñó un nuevo modelo de procesamiento de resultados basado en técnicas multivariantes, contemplando 37 variables de entrada. Para esto se consideraron múltiples alternativas, incluidos clasificadores binarios, redes neuronales poco profundas y cinco modelos de aprendizaje profundo, encontrando que el aprendizaje profundo, especialmente un modelo de cinco capas desarrollado con TensorFlow y Keras, ofrecía las predicciones más precisas sobre el agotamiento emocional, una dimensión clave del síndrome de burnout. Este modelo alcanzó una precisión del 86% y un MSE de 0.1193604, demostrando su fiabilidad para la detección automática del síndrome sin necesidad de diagnóstico profesional. La investigación valida la adaptación del instrumento al contexto objetivo y resalta la importancia de establecer nuevos modelos de análisis cuando se emplean instrumentos modificados a partir del MBI, asegurando su relevancia y aplicabilidad en contextos específicos.

      Palabras Clave: Síndrome de Burnout, Factores de Riesgo, Red Neuronal Artificial

  • English

    Summary. Burnout syndrome is widely known as a work-related problem that afflicts teachers worldwide. This problem related to risk factors that generate stress arises due to the work environment and various situations related to dealing with people who demand a high level of dedication and involvement. The present study focused on identifying risk factors associated with burnout syndrome in teachers in the province of Carchi. The main objective was to validate the adaptation of the Maslach Burnout Inventory (MBI) to the specific educational context, and to propose a model of analysis of results based on artificial intelligence. When validating the instrument, it was identified that it was not completely adapted to the local context, so the instrument was modified, having to remove 5 questions that were identified as not relevant by the Confirmatory Factor Analysis, and demographic information of the participants considered of interest to the participating institutions was incorporated. Thus, for the extraction of results from the test, a new results processing model was designed based on multivariate techniques, contemplating 37 input variables. For this, multiple alternatives were considered, including binary classifiers, shallow neural networks and five deep learning models, finding that deep learning, especially a five-layer model developed with TensorFlow and Keras, offered the most accurate predictions of emotional exhaustion, a key dimension of burnout syndrome. This model achieved an accuracy of 86% and an MSE of 0.1193604, demonstrating its reliability for automatic detection of the syndrome without the need for professional diagnosis. The research validates the adaptation of the instrument to the target context and highlights the importance of establishing new models of analysis when using instruments modified from the MBI, ensuring their relevance and applicability in specific contexts.