32、银行员工压力与倦怠及心脏病预测的机器学习研究

银行员工压力与倦怠及心脏病预测的机器学习研究

1. 银行员工压力与倦怠研究

1.1 研究背景与意义

银行员工面临的压力对经济领域和员工生活质量存在风险，需要早期识别和降低。这一研究对新兴的计算可持续性跨学科领域有重要贡献，该领域结合计算机科学与社会科学方法解决问题，例如将人工智能、逻辑编程、热力学定律与心理学、管理学、哲学或社会学方法结合，以评估MBT成员的压力和倦怠水平。

1.2 研究方法与现状

研究通过邮件邀请50名银行员工完成在线问卷，50人中仅32人（64%）作出回应。目前样本结果与单个员工问卷回复结果一致。未来工作将关注员工与同事、其他专业人员或机构的关系，以及领导力、公平性和权力问题如何影响他们的表现。

2. 心脏病预测的机器学习研究

2.1 研究背景

2019年，世界卫生组织估计有1790万人死于心血管疾病，占全球死亡人数的32%，其中约85%是由心脏病发作和中风导致。心脏病发作的风险因素包括高血压、久坐的生活方式、高胆固醇、吸烟、糖尿病、肥胖和不良饮食等。依靠医疗仪器预测心脏病要么昂贵，要么效率低下，因此早期检测心脏病至关重要。机器学习算法可帮助分析医疗数据中的隐藏模式，用于心脏病预测。

2.2 机器学习分类

机器学习分为监督学习、无监督学习、强化学习和半监督学习四类：
- 监督学习 ：训练数据集有特定输出标签，但需要人工干预，结果更准确。常用于人脸识别、签名识别、天气预报、股票价格预测和疾病预测等。
- 无监督学习 ：训练数据集无