DOI: https://doi.org/10.31253/te.v9i2.4305
تاريخ النشر: 2026-02-02
المؤلف: Nor Aishah Othman وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تستكشف هذه الدراسة العوامل المتنبئة بسلوك البحث عن العلاج بين الموظفين في قطاع التكنولوجيا، مع التأكيد على أهمية الصحة النفسية لأداء المنظمات. باستخدام مجموعة بيانات Open Sourcing Mental Illness (OSMI)، التي تتكون من 1,387 استجابة مجهولة، تحدد البحث العوامل الرئيسية التي تؤثر على سلوك البحث عن المساعدة، لا سيما التاريخ العائلي للأمراض النفسية والتداخل في العمل بسبب الضيق النفسي. تم استخدام نموذجين من التعلم الآلي، شجرة القرار وK-Nearest Neighbour (KNN)، محققين دقة بنسبة 73% و100% على التوالي. بينما أظهر KNN قوة تنبؤية عالية، تم الإشارة إلى المخاوف بشأن احتمال الإفراط في التخصيص.
تسلط النتائج الضوء على العلاقة المهمة بين الرفاه النفسي والأداء المهني، حيث يظهر الموظفون الذين يعانون من اضطرابات في أداء العمل أو لديهم تاريخ عائلي من مشاكل الصحة النفسية ميلاً أكبر للبحث عن المساعدة. تدعو الدراسة إلى دمج التحليلات المدفوعة بالذكاء الاصطناعي في برامج صحة الموظفين في مكان العمل لتسهيل الكشف المبكر عن مخاطر الصحة النفسية وتخصيص التدخلات، مما يعزز مرونة الموظفين ويقلل من الغياب. ومع ذلك، تؤكد أيضًا على ضرورة معالجة التحديات المتعلقة بالعدالة والشفافية وخصوصية البيانات في تطبيقات الذكاء الاصطناعي. يجب أن تركز الأبحاث المستقبلية على توسيع مجموعات البيانات عبر سياقات مهنية وثقافية متنوعة ودمج أطر الذكاء الاصطناعي القابلة للتفسير (XAI) لتحسين قابلية تفسير النموذج وموثوقيته. بشكل عام، تؤكد الدراسة على إمكانية دمج التقييمات النفسية مع التحليلات التنبؤية لتعزيز بيئات العمل الصحية من خلال استراتيجيات الصحة النفسية الاستباقية.
مقدمة
تؤكد مقدمة الورقة على الدور الحاسم للصحة النفسية في مكان العمل كعامل محدد للرفاه الفردي ونجاح المنظمة. تبرز كيف يمكن أن تؤثر التحديات النفسية، مثل التوتر والقلق والاكتئاب، بشكل كبير على أداء الموظفين، مما يؤدي إلى زيادة الغياب وتقليل الرضا الوظيفي. على الرغم من الاعتراف المتزايد بأهمية الصحة النفسية، فإن الحواجز مثل الوصمة، والموارد المحدودة، والوصول غير المتكافئ إلى الرعاية تعيق الموظفين عن البحث عن المساعدة، مما يؤدي إلى عدم الاستفادة الكافية من خدمات الصحة النفسية.
لمعالجة هذه القضايا، تستخدم الدراسة نماذج التعلم الآلي المطبقة على مجموعة بيانات Open Sourcing Mental Illness (OSMI)، التي تشمل استجابات من 1,387 موظفًا في قطاع التكنولوجيا. من خلال استخدام مصنفات مثل شجرة القرار وK-Nearest Neighbors (KNN)، تهدف الدراسة إلى توقع سلوك البحث عن العلاج وتحديد العوامل الرئيسية التي تؤثر على قرارات الموظفين في البحث عن الدعم النفسي. تسعى هذه المقاربة المبتكرة إلى كشف الأنماط الخفية في البيانات، مما يعزز استراتيجيات المنظمات لتعزيز رفاهية الموظفين وتسهيل تطوير برامج الصحة النفسية الشخصية. في النهاية، تضع الدراسة التعلم الآلي كأداة تحويلية لتحسين مبادرات الصحة النفسية في مكان العمل، مما يساهم في بيئات عمل أكثر صحة وإنتاجية.
النتائج
تركز نتائج الهدف 1 على تحديد العوامل التي تؤثر على سلوك البحث عن العلاج لدى الموظفين، خاصة من خلال تحليل توزيع الأعمار بين المستجيبين. يوضح الرسم البياني (الشكل 1) أن الغالبية العظمى من المشاركين تتراوح أعمارهم بين 20 و40 عامًا، مع انخفاض ملحوظ في التمثيل لأولئك الذين تزيد أعمارهم عن 50. تكشف الإحصاءات الوصفية، الموضحة في الجدول 2، أن متوسط عمر المستجيبين هو 32.1 عامًا، مع وسطي يبلغ 31 ونمط يبلغ 29، مما يشير إلى أن القوة العاملة تتكون بشكل أساسي من البالغين الشباب. تعكس الانحراف المعياري البالغ 7.5 سنوات تباينًا معتدلًا في الأعمار، مع انحياز نحو الأفراد في بداية ومنتصف حياتهم المهنية.
بشكل عام، تشير هذه النتائج إلى أن الملف الديموغرافي للمستجيبين يتميز بقوة عاملة أصغر سناً، مما قد يكون له آثار على فهم سلوكيات البحث عن العلاج في هذه الفئة العمرية.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على العلاقة الحاسمة بين ظروف العمل والصحة النفسية، مشددة على أن عوامل مثل عبء العمل المفرط، والتمييز، وانخفاض السيطرة على العمل تساهم بشكل كبير في الضيق النفسي بين الموظفين. تقدر منظمة الصحة العالمية أن ما يقرب من 15% من البالغين في سن العمل يواجهون تحديات نفسية، مما يقلل من الرفاه الفردي ويؤثر سلبًا على إنتاجية المنظمة ويتسبب في تكاليف اقتصادية كبيرة، تتجاوز تريليون دولار أمريكي سنويًا في فقدان الإنتاجية. تؤكد الورقة على أهمية معالجة الصحة النفسية بشكل استباقي داخل المنظمات، حيث يمكن أن تؤدي الحالات غير المعالجة إلى مشاكل صحية جسدية طويلة الأمد وزيادة الغياب.
يدعو المؤلفون إلى التحول من التحليلات الوصفية إلى النمذجة التنبؤية في أبحاث الصحة النفسية في مكان العمل، باستخدام تقنيات التعلم الآلي لتحديد الموظفين المعرضين للخطر قبل تفاقم حالاتهم. أظهرت الخوارزميات مثل أشجار القرار وK-Nearest Neighbors (KNN) وعدًا في توقع سلوك البحث عن العلاج بناءً على العوامل الديموغرافية وظروف العمل. تكشف النتائج أن التعرض الشخصي، مثل التاريخ العائلي للأمراض النفسية، والضغوط السياقية، مثل التداخل في العمل، هي مؤشرات مهمة لسلوك البحث عن المساعدة. تختتم الدراسة بأن دمج الحلول المدفوعة بالذكاء الاصطناعي في برامج صحة الموظفين يمكن أن يعزز استراتيجيات الكشف المبكر والتدخل، مما يعزز في النهاية بيئة عمل أكثر صحة مع معالجة تحديات الوصمة والوصول إلى العلاج.
DOI: https://doi.org/10.31253/te.v9i2.4305
Publication Date: 2026-02-02
Author(s): Nor Aishah Othman et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This study investigates the predictors of treatment-seeking behavior among employees in the technology sector, emphasizing the importance of mental health for organizational performance. Utilizing the Open Sourcing Mental Illness (OSMI) dataset, which comprises 1,387 anonymized responses, the research identifies key factors influencing help-seeking behavior, notably a family history of mental illness and work interference due to psychological distress. Two machine learning models, Decision Tree and K-Nearest Neighbour (KNN), were employed, achieving accuracies of 73% and 100%, respectively. While KNN demonstrated high predictive power, concerns regarding potential overfitting were noted.
The findings highlight the significant relationship between psychological well-being and occupational functioning, with employees experiencing job performance disruptions or having a familial history of mental health issues showing a greater propensity to seek help. The study advocates for the integration of AI-driven analytics in workplace wellness programs to facilitate early detection of mental health risks and tailor interventions, thereby enhancing employee resilience and reducing absenteeism. However, it also emphasizes the necessity of addressing challenges related to fairness, transparency, and data privacy in AI applications. Future research should focus on expanding datasets across diverse occupational and cultural contexts and incorporating explainable AI (XAI) frameworks to improve model interpretability and trustworthiness. Overall, the study underscores the potential of combining psychometric assessments with predictive analytics to foster healthier work environments through proactive mental health strategies.
Introduction
The introduction of the paper emphasizes the critical role of workplace mental health as a determinant of individual well-being and organizational success. It highlights how mental health challenges, such as stress, anxiety, and depression, can significantly impair employee performance, leading to increased absenteeism and reduced job satisfaction. Despite the growing recognition of mental health’s importance, barriers such as stigma, limited resources, and unequal access to care hinder employees from seeking help, resulting in underutilization of mental health services.
To address these issues, the study utilizes machine learning models applied to the Open Sourcing Mental Illness (OSMI) dataset, which includes responses from 1,387 employees in the technology sector. By employing classifiers like Decision Tree and K-Nearest Neighbors (KNN), the research aims to predict treatment-seeking behavior and identify key determinants influencing employees’ decisions to seek mental health support. This innovative approach seeks to uncover hidden patterns in the data, thereby enhancing organizational strategies for promoting employee well-being and facilitating the development of personalized mental health programs. Ultimately, the study positions machine learning as a transformative tool for improving workplace mental health initiatives, contributing to healthier and more productive work environments.
Results
The results of Objective 1 focus on identifying factors that influence employees’ treatment-seeking behavior, particularly through the analysis of age distribution among respondents. A histogram (Figure 1) illustrates that the majority of participants are aged between 20 and 40 years, with a notable decline in representation for those over 50. Descriptive statistics, detailed in Table 2, reveal that the average age of respondents is 32.1 years, with a median of 31 and a mode of 29, indicating a workforce predominantly comprised of young adults. The standard deviation of 7.5 years reflects moderate age variation, with a skew toward early- and mid-career individuals.
Overall, these findings suggest that the demographic profile of the respondents is characterized by a younger workforce, which may have implications for understanding treatment-seeking behaviors in this age group.
Discussion
The discussion section of the research paper emphasizes the critical relationship between workplace conditions and mental health, highlighting that factors such as excessive workload, discrimination, and low job control significantly contribute to psychological distress among employees. The World Health Organization estimates that nearly 15% of working-age adults face mental health challenges, which not only diminish individual well-being but also adversely affect organizational productivity and incur substantial economic costs, exceeding USD 1 trillion annually in lost productivity. The paper underscores the importance of addressing mental health proactively within organizations, as untreated conditions can lead to long-term physical health issues and increased absenteeism.
The authors advocate for a shift from descriptive analyses to predictive modeling in workplace mental health research, utilizing machine learning techniques to identify at-risk employees before their conditions worsen. Algorithms like Decision Trees and K-Nearest Neighbors (KNN) have shown promise in predicting treatment-seeking behavior based on demographic and workplace factors. The findings reveal that personal exposure, such as family history of mental illness, and contextual stressors, like work interference, are significant predictors of help-seeking behavior. The study concludes that integrating AI-driven solutions into workplace wellness programs can enhance early detection and intervention strategies, ultimately fostering a healthier work environment while addressing the challenges of stigma and treatment accessibility.