論文の概要: Machine Learning Models for the Early Detection of Burnout in Software Engineering: a Systematic Literature Review
- arxiv url: http://arxiv.org/abs/2603.23063v1
- Date: Tue, 24 Mar 2026 10:58:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.442734
- Title: Machine Learning Models for the Early Detection of Burnout in Software Engineering: a Systematic Literature Review
- Title（参考訳）: ソフトウェア工学におけるバーンアウト早期検出のための機械学習モデル:システム文献レビュー
- Authors: Tien Rahayu Tulili, Ayushi Rastogi, Andrea Capiluppi,
- Abstract要約: 燃え尽き症候群は、多くのソフトウェアエンジニアに影響を与える職業症候群です。
過去の研究では、燃え尽き症候群の早期発見を可能にする機械学習技術の利用が増加していることが示されている。
本論文は機械学習(ML)アプローチを提案する研究論文の体系的な文献レビューである。
- 参考スコア（独自算出の注目度）: 4.760079434948197
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Burnout is an occupational syndrome that, like many other professions, affects the majority of software engineers. Past research studies showed important trends, including an increasing use of machine learning techniques to allow for an early detection of burnout. This paper is a systematic literature review (SLR) of the research papers that proposed machine learning (ML) approaches, and focused on detecting burnout in software developers and IT professionals. Our objective is to review the accuracy and precision of the proposed ML techniques, and to formulate recommendations for future researchers interested to replicate or extend those studies. From our SLR we observed that a majority of primary studies focuses on detecting emotions or utilise emotional dimensions to detect or predict the presence of burnout. We also performed a cross-sectional study to detect which ML approach shows a better performance at detecting emotions; and which dataset has more potential and expressivity to capture emotions. We believe that, by identifying which ML tools and datasets show a better performance at detecting emotions, and indirectly at identifying burnout, our paper can be a valuable asset to progress in this important research direction.
- Abstract（参考訳）: Burnoutは、他の多くの専門職と同様に、ほとんどのソフトウェアエンジニアに影響を与える職業症候群である。
過去の研究では、燃え尽き症候群の早期発見を可能にする機械学習技術の利用の増加など、重要なトレンドが示されている。
本稿では、機械学習(ML)アプローチを提案する研究論文の体系的文献レビュー(SLR)を行い、ソフトウェア開発者やIT専門家のバーンアウトを検出することに焦点を当てた。
本研究の目的は,提案手法の精度と精度を検証し,これらの研究を再現あるいは拡張することに関心のある将来の研究者への勧告を定式化することである。
SLRでは、主要な研究の大部分は感情の検出や感情の次元を利用して燃え尽きの有無を検知または予測することに焦点を当てている。
我々はまた、感情を検出する上で、どのMLアプローチがより良いパフォーマンスを示すか、どのデータセットが感情をキャプチャする可能性と表現性を持っているかを検出するための横断的研究を行った。
我々は、どのMLツールやデータセットが感情を検出する上で優れたパフォーマンスを示すのかを識別し、間接的にバーンアウトを特定することで、この重要な研究方向に進む上で、我々の論文は貴重な資産になり得ると信じている。
関連論文リスト
- Towards Agentic Intelligence for Materials Science [73.4576385477731]
この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。
コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
論文 参考訳（メタデータ） (2026-01-29T23:48:43Z) - A Systematic Literature Review on Detecting Software Vulnerabilities with Large Language Models [2.518519330408713]
ソフトウェア工学における大規模言語モデル(LLM)は、ソフトウェア脆弱性検出への関心を喚起している。
この分野の急速な発展は、断片化された研究の風景を生み出した。
この断片化は、最先端技術の明確な概要を得るのを困難にし、研究を有意義に比較し分類する。
論文 参考訳（メタデータ） (2025-07-30T13:17:16Z) - How do Large Language Models Understand Relevance? A Mechanistic Interpretability Perspective [64.00022624183781]
大規模言語モデル(LLM)は、関連性を評価し、情報検索(IR)タスクをサポートする。
メカニスティック・インタプリタビリティのレンズを用いて,異なるLLMモジュールが関係判断にどのように寄与するかを検討する。
論文 参考訳（メタデータ） (2025-04-10T16:14:55Z) - GPT as Psychologist? Preliminary Evaluations for GPT-4V on Visual Affective Computing [74.68232970965595]
MLLM(Multimodal large language model)は、テキスト、音声、画像、ビデオなどの複数のソースからの情報を処理し、統合するように設計されている。
本稿では、視覚的情緒的タスクと推論タスクにまたがる5つの重要な能力を持つMLLMの適用性を評価する。
論文 参考訳（メタデータ） (2024-03-09T13:56:25Z) - Automatic Sensor-free Affect Detection: A Systematic Literature Review [0.0]
本稿では,センサレス感情検出に関する総合的な文献レビューを行う。
この分野の明らかな成熟度は、モデルの一貫した性能によって証明されているにもかかわらず、将来の研究には十分な範囲がある。
モデル開発プラクティスやメソッドの洗練も必要です。
論文 参考訳（メタデータ） (2023-10-11T13:24:27Z) - Machine Learning for Stress Monitoring from Wearable Devices: A
Systematic Literature Review [1.5293427903448025]
本研究の目的は,ウェアラブルデバイスを用いたストレス検出とモニタリングの現状について概観することである。
レビューされた作品は、公開されているストレスデータセット、機械学習、将来の研究方向性の3つのカテゴリにまとめられた。
論文 参考訳（メタデータ） (2022-09-29T23:40:38Z) - How Facial Features Convey Attention in Stationary Environments [0.0]
本研究は,視覚的特徴が認知と疲労の予測に最も寄与する要因を分析することによって,従来の注意欠陥検出研究を拡大することを目的とする。
被験者の視覚データを様々なレベルの注意度で分析するために,オープンソースの顔分析ツールキットOpenFaceを利用した。
論文 参考訳（メタデータ） (2021-11-29T20:11:57Z) - Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。
IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
論文 参考訳（メタデータ） (2021-07-26T10:40:59Z) - Computational Emotion Analysis From Images: Recent Advances and Future
Directions [79.05003998727103]
本章では,画像感情分析(IEA)を計算的観点から導入することを目的としている。
心理学の一般的な感情表現モデルから始めます。
そして、研究者たちが解決しようとしている重要な計算問題を定義します。
論文 参考訳（メタデータ） (2021-03-19T13:33:34Z) - A Systematic Literature Review on the Use of Deep Learning in Software
Engineering Research [22.21817722054742]
ソフトウェア開発タスクを自動化するために、ソフトウェア工学(SE)研究者が採用するテクニックのセットが、ディープラーニング(DL)の概念に根ざしている。
本稿では,SE & DLの交差点における研究の体系的な文献レビューを行う。
我々は、機械学習技術の特定の問題領域への適用を規定する一連の原則である学習の構成要素を中心に分析を行う。
論文 参考訳（メタデータ） (2020-09-14T15:28:28Z) - Continuous Emotion Recognition via Deep Convolutional Autoencoder and
Support Vector Regressor [70.2226417364135]
マシンはユーザの感情状態を高い精度で認識できることが不可欠である。
ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。
表情認識に基づく連続的感情認識のための新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-01-31T17:47:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。