ResumenEn este artículo se presenta una nueva metodología basada en la aplicación de algoritmos Máquina de Soporte Vectorial, Naïve Bayes y Algoritmos Genéticos en diagnósticos de evaluaciones psicosociales para la identificación del grado de riesgo psicosocial en docentes de colegios públicos en Colombia. Se realizó un estudio comparativo del modelo de aprendizaje de máquina para la predicción: Máquinas de Soporte Vectorial (SVM) y Naïve Bayes, en dos etapas, primero con todas las variables y segundo, reduciendo la dimensionalidad de los datos aplicando: algoritmos genéticos. Se seleccionaron las cuarenta mejores variables con mejor eficiencia en la precisión de la predicción. La base de datos utilizada se componía de 3000 registros epidemiológicos, que correspondían a docentes de colegios públicos del área metropolitana de una ciudad colombiana. El uso de SVM reconoce fácilmente variables de tipo fisiológico y el mejor desempeño de predicción se obtuvo con una eficiencia en la precisión del 96,3%. Palabras clave: aprendizaje de máquina; máquinas de soporte vectorial; Naïve Bayes; algoritmos genéticosAbstract This paper presents a new methodology based on the application of Support Vector Machine algorithms, Naïve Bayes and Genetic Algorithms in diagnostics of psychosocial evaluations for the identification and prediction of the psychosocial risk level of public-school teachers in Colombia. A comparative study of the model of machine learning for prediction was carried out: Support Vector Machines (SVM) and Naïve Bayes, in two stages, first with all the variables and second, reducing the dimensionality of the database applying genetic algorithms, The best forty variables with the best efficiency in prediction accuracy were selected. The database used consisted of 3000 epidemiological records, which corresponded to teachers from public schools in the metropolitan area of a Colombian city. The use of SVM easily detected variables of physiological type and the best prediction performance was obtained with accuracy of 96.3%.

Este artículo presenta una nueva metodología basada en técnicas de aprendizaje de máquina en diagnósticos de evaluaciones psicosociales para la identificación del grado de riesgo en docentes de colegios públicos en Colombia. Se realizó un estudio comparativo de tres importantes modelos de aprendizaje de máquina para la predicción: redes neuronales artificiales, arboles de decisión y Naïve Bayes, reduciendo la dimensionalidad de los datos. Esto se hace aplicando algoritmos genéticos, algoritmo de la cantidad esperada de la información, algoritmo GainRatioAttributeEval, coeficiente de relación de Pearson y análisis principal de componentes. Se utilizó una base de datos con 5340 registros epidemiológicos, correspondientes a evaluaciones psicosociales de docentes de colegios públicos de una ciudad colombiana. El mejor desempeño de predicción se obtuvo con el modelo de redes neuronales artificiales con una efectividad del 93%. Palabras clave: aprendizaje de máquina; redes neurales artificiales; algoritmos genéticos; análisis principal de componentes

En ocasiones el entorno laboral va en contra de las expectativas del trabajador apareciendo el riesgo psicolaboral, representado en: estrés laboral y patologías de salud mental. La relación entre estrés y salud mental ha sido explorada en docentes de educación superior pero no en otros niveles. El objetivo fue determinar los niveles de estrés y su relación con salud mental en docentes de un colegio de primaria y secundaria en el Cauca Colombia. Metodología: Estudio es de tipo descriptivo, transversal, correlacional, realizado en 44 docentes, los niveles de estrés se caracterizaron con el Cuestionario de Estrés Laboral de la OIT (año 2000) y el estado de salud mental se determinó con el Cuestionario de Goldberg. La correlación entre estrés laboral y salud mental se exploró con el test de Pearson, considerando α=0,05. Resultados: Se encontró una prevalencia de estrés del 36,3%. Las fuentes generadoras de estrés en los docentes fueron: clima organizacional (95,4%), dimensión tecnología (93,2%) y la influencia del líder (90,9%). La mayor prevalencia de estrés se encontró en los docentes de nivel de formación secundaria (59,1%; P=0.006). El 29,5% de los docentes evaluados constituyen casos de salud mental. Las alteraciones de salud mental identificadas con mayor frecuencia fueron: síntomas somáticos (9,1%), perturbación del sueño (4,5%), ansiedad y depresión severa (2,3%). La correlación de estrés con alteración en la salud mental fue de 54% (P=0.018). Conclusión: Se detectó una relación entre el estrés y las alteraciones en la salud mental, en los docentes. Se recomienda realizar intervención por salud ocupacional.

No abstract

En este artículo se propone un sistema de clasificación para la identificación y la prevención de accidentes laborales en las bodegas de almacenamiento de fibra en una empresa de pulpa de papel. Eso se hace con base en el análisis de variables que incluyen la circulación de peatones, bobcat, tractocamiones, acceso, zonas de circulación peatonal y barandas. La metodología propuesta define y entrena el sistema propuesto con datos recopilados en planta respecto a accidentalidad e incidentes laborales. Se compararon los resultados de tres algoritmos: redes bayesianas, naive bayes y árboles de decisión. Los resultados muestran que, en el 90% de los casos, el clasificador de arboles de decisión J48 identifica correctamente los casos posibles de accidentalidad laboral. Se concluye que la identificación de los atributos que generan la ocurrencia de incidentes y accidentes laborales, permite generar un árbol de decisión C4.5 (J48) que sirve de herramienta y soporte para labores de prevención de accidentes laborales.