1. Introducción
El burnout se considera un síndrome ocupacional asociado con la exposición prolongada al estrés laboral y se caracteriza principalmente por el agotamiento, el distanciamiento mental o cinismo frente al trabajo y una disminución de la eficacia profesional. En el ámbito tecnológico, su estudio adquiere relevancia tanto por sus implicancias en el bienestar de los trabajadores como por sus posibles efectos sobre la continuidad y productividad de las organizaciones . En profesionales de tecnologías de información que desarrollaban sus actividades mediante teletrabajo, el burnout fue evaluado mediante el Maslach Burnout Inventory (MBI), identificándose repercusiones relacionadas con la productividad y la motivación. De manera similar, en desarrolladores de videojuegos se ha observado que las exigencias vinculadas con los plazos y la carga laboral guardan relación con manifestaciones de agotamiento y desconexión respecto del trabajo [1, 2].
Por su parte, el aprendizaje automático (Machine Learning, ML) ofrece herramientas capaces de procesar información proveniente de cuestionarios, características organizacionales, registros digitales y datos obtenidos mediante sensores para estimar el nivel o riesgo de burnout [3]. Sin embargo, su aplicación no pretende reemplazar el diagnóstico clínico ni la valoración integral de las condiciones organizacionales, debido a que su utilidad depende de contar con una adecuada definición de la variable de resultado, procesos de validación con datos independientes e instrumentos que permitan interpretar los resultados obtenidos [4]. Las investigaciones recientes han utilizado diversas técnicas, entre ellas la regresión logística, máquinas de vectores de soporte (SVM), árboles de decisión, Random Forest, XGBoost y modelos de aprendizaje profundo multitarea [5].
La conexión entre el burnout y el aprendizaje automático puede entenderse desde una perspectiva funcional: mientras el burnout constituye el fenómeno o resultado que se busca identificar, el ML proporciona métodos de clasificación o predicción para reconocer patrones asociados con su presencia o intensidad. En el ámbito del desarrollo de software, una revisión de mapeo ha evidenciado una evolución desde investigaciones predominantemente cualitativas hacia enfoques cuantitativos sustentados en datos, señalando además que los artefactos y registros generados durante el desarrollo de software pueden contribuir a la identificación temprana de indicadores relacionados con el desgaste profesional. No obstante, la evidencia disponible aún resulta limitada en cuanto a la validación y replicación de modelos de ML desarrollados específicamente para profesionales del sector tecnológico [2].
Entre los estudio realizados, resalta el Prokopowicz y Mikołajewski [6], quienes compararon a 30 profesionales informáticos con 30 fisioterapeutas mediante el MBI y tres modelos de lógica difusa, donde los valores medianos de burnout fueron mayores en el grupo de informáticos. Asimismo, Kumaresan et al. [7] analizaron a 934 profesionales de tecnologías de información que realizaban teletrabajo mediante una encuesta basada en el MBI, reportando una presencia importante de burnout, aunque sin incorporar técnicas de aprendizaje automático. Por otro lado, Trinkenreich et al. estudiaron a más de 13 000 profesionales vinculados al desarrollo de software y encontraron una asociación entre burnout e intención de abandonar la organización; además, su modelo señaló el engagement y las oportunidades de aprendizaje como factores relacionados con la permanencia, aunque el resumen consultado no proporciona métricas de clasificación [8].
En consecuencia, la principal brecha de conocimiento no radica en la inexistencia de modelos de aprendizaje automático aplicados al burnout, sino en la limitada validación de estas herramientas dentro de contextos laborales tecnológicos reales. Los estudios de ML con mayor desarrollo metodológico se han concentrado principalmente en poblaciones como profesionales de enfermería, docentes y residentes de medicina [9]. Aunque algunas investigaciones realizadas con estudiantes de carreras de computación han demostrado la viabilidad de emplear estas técnicas, sus resultados no pueden considerarse directamente representativos de trabajadores profesionales del sector [10]. Por ello, los niveles de desempeño obtenidos por modelos desarrollados en otros ámbitos laborales no necesariamente pueden extrapolarse a desarrolladores de software, especialistas en tecnologías de información o profesionales dedicados al desarrollo de videojuegos [3].
La investigación tiene como objetivo este estudio tiene como propósito principal analizar y sintetizar la evidencia científica disponible sobre herramientas tecnológicas y modelos de machine learning para la monitorización y detección temprana del burnout en profesionales del sector TI, evaluando su impacto en el desempeño laboral y responder a las preguntas de investigación: RQ1: ¿Cuáles son los criterios para medir la efectividad del machine Learning en el burnout? , RQ2: ¿Qué Algoritmos se están utilizando para detectar el Burnout en profesionales en tecnología?, RQ3: ¿Qué patrones de burnout se detectan entre las distintas subáreas tecnológicas existentes y que afectan el desempeño laboral?
2. Materiales y Métodos o Metodología Computacional
Se realizó una revisión sistemática exhaustiva tomando como referencia la metodología PRISMA, acrónimo en inglés de Preferred Reporting Items for Systematic Reviews and Meta-Analyses. Según lo señalado por [11], este enfoque metodológico contribuye a garantizar la replicabilidad y actualización de las revisiones bibliográficas, facilitando una exposición más ordenada, clara y rigurosa de los resultados obtenido, tal como se puede apreciar a continuación.
2.1. Criterios de inclusión y exclusión
Con el propósito de garantizar que la información recopilada para la presente investigación fuera confiable, pertinente y de calidad, se establecieron criterios específicos para la selección de los estudios considerados en el análisis. Para ello, se definieron criterios de inclusión, exclusión y calidad, los cuales permitieron depurar las fuentes y conservar aquellas que presentaban mayor rigor y relevancia para el estudio. Estos criterios contribuyeron a fortalecer la validez y pertinencia de la información analizada. La descripción detallada de cada uno de ellos se presenta en las Tablas 1 y 2.
| Criterios de inclusión | |
|---|---|
| CR1 | Artículos desde el años 2022 en adelante |
| CR2 | Estudios que evaluaran burnout o agotamiento ocupacional con un modelo de ML/IA, o estudios empíricos de burnout en profesionales tecnológicos necesarios para contextualizar la transferencia. |
| CR3 | Artículos que informaran población, variables/algoritmo o resultados suficientes para extraer una respuesta a alguna RQ |
| Criterios de exclusión | |
|---|---|
| EX1 | Editoriales, marcos conceptuales y estudios sin población laboral o sin desenlace de burnout |
| EX2 | Registros duplicados y estudios cuya relación fuese únicamente general con salud mental, estrés o IA sin información utilizable sobre burnout. |
2.2. Estrategias de búsqueda
Se combinaron términos como: “burnout”, “occupational burnout”, “emotional exhaustion”, de población: “technology professionals”, “IT professionals”, “software developers”, “game developers”, “ICT workers”, “remote workers” y de método: “machine learning”, “artificial intelligence”, “supervised learning”, “predictive model”, “explainable AI”. Se aplicó la restricción temporal 2022–2026, se trabajó con la literatura indexada de Scopus, ScienceDirect, WoS y IEEE Xplore para la replicación externa.
2.3. Ecuaciones de búsqueda
Para iniciar la búsqueda de los artículos considerados en el análisis, se emplearon operadores booleanos en combinación con los terminos relacionados con las variables de estudio, contemplando diferentes alternativas de búsqueda con el propósito de identificar información pertinente sobre la temática investigada. Con el objetivo de incrementar la precisión y efectividad del proceso de búsqueda, en la Tabla 3 se presenta una recopilación de las ecuaciones empleadas, integrando los términos previamente establecidos y los operadores booleanos correspondientes a cada uno de los motores de búsqueda y bases de datos utilizados en la investigación.
| Base de datos | Ecuación de búsqueda |
|---|---|
| SCOPUS (SCP) | TITLE-ABS-KEY ((burnout OR "occupational burnout" OR "emotional exhaustion") AND ("machine learning" OR "artificial intelligence" OR "supervised learning" OR "predictive model" OR "explainable AI") AND ("technology professional" OR "IT professional" OR "software developer" OR "game developer" OR "ICT worker" OR "remote worker")) AND PUBYEAR > 2021 |
| ScienceDirect (SCD) | ("burnout" OR "emotional exhaustion") AND ("machine learning" OR "artificial intelligence") AND ("IT professionals" OR "software developers" OR "technology workers"), año 2022–presente, artículo de investigación |
| Web of Scicnce (WOS) | TS=((burnout OR "occupational burnout" OR "emotional exhaustion") AND ("machine learning" OR "artificial intelligence" OR "predictive model") AND ("IT professional" OR "software developer" OR "technology worker" OR "ICT worker")), 2022–presente |
| IEEE | (("All Metadata":"burnout") AND ("All Metadata":"machine learning" OR "All Metadata":"artificial intelligence") AND ("All Metadata":"software" OR "IT" OR "technology")), 2022–presente. |
A continuación se muestra de manera gráfica como ha sido el proceso de selección inicial, eliminación de artículos en base a la aplicación de los criterios de inclusión y exclusión, habiendo iniciado con 1,831 artículos para finalizar con la selección de 18 artículos, como se aprecia a continuación (Figura 1):
3. Resultados y Discusión
Una vez aplicados los criterios de inclusión, exclusión y calidad previamente establecidos, se seleccionaron un total de 18 artículos que cumplían con las condiciones definidas para la investigación. En este sentido, la Tabla 4 presenta de manera organizada un resumen de los estudios incluidos, permitiendo identificar y apreciar con mayor claridad los diferentes enfoques metodológicos y perspectivas de investigación abordados en cada uno de ellos.
| Item | Autor y año | País | Resultados principales | Algoritmo ML |
|---|---|---|---|---|
| 1 | Tulili et al., 2022 [1] | Holanda | Mapea 92 artículos y describe creciente uso de datos/ML para detección temprana. | No modelo empírico |
| 2 | Trinkenreich et al., 2024 [2] | USA | >13 000 respuestas; burnout predijo intención de salida; engagement y aprendizaje explicaron retención. | ML no especificado |
| 3 | Kumaresan et al., 2022 [3] | India | MBI; prevalencia reportada muy alta durante pandemia; sin ML. | No aplica |
| 4 | Reznichenko y Podtiagina, 2024 [4] | Rusia | Entorno y conveniencia de oficina se asociaron con menos agotamiento y síntomas cognitivos. | No aplica |
| 5 | Prokopowicz y Mikołajewski, 2022 [5] | Polonia | MBI más alto en informáticos que fisioterapeutas; componentes MBI tuvieron peso desigual. | Modelos difusos |
| 6 | Mendes y Queirós, 2022 [6] | Portugal | Demandas/horas se relacionaron con agotamiento; recursos con menor desconexión. | No aplica |
| 7 | Yeskuatov et al., 2025 [7] | Malasya | Regresión logística alcanzó F1 68.4% para agotamiento; menor desempeño en eficacia. | LR, SVM, NB, árbol, XGBoost |
| 8 | Adapa et al., 2022 [8] | USA | Mejor modelo AUC 0.81; ocho factores laborales predijeron burnout. | Supervisado explicable, no especificado |
| 9 | Fehér et al., 2024 [9] | Hungría | RF ponderado: AUC 0.811; depresión, insomnio y uso problemático de internet destacados. | Random forest |
| 10 | Lou et al., 2022 [10] | USA | Logs pasivos solos: AUC 0.595; añadir burnout basal llegó a 0.829, sin ventaja clara frente a basal solo. | Regresión, SVM, red neuronal, RF, GBM |
| 11 | Jeong et al., 2025 [11] | Korea | RF tuvo AUC 0.904; inestabilidad y falta de recompensa fueron factores principales. | Random forest + SHAP |
| 12 | Alam y Alam, 2024 [12] | USA | Recall 93%, precisión 91%; HRV, sedentarismo e interrupciones fueron explicables con SHAP. | Deep learning multitarea |
| 13 | Guo et al., 2026 [13] | China | XGBoost: AUC externa 0.859; umbral aproximado de 65 h/semana. | XGBoost + SHAP |
| 14 | Monstadt et al., 2026 [14] | Alemania | Desequilibrio esfuerzo–recompensa, interferencia trabajo–vida y sobrecompromiso dominaron predicción. | XGBoost + SHAP |
| 15 | Van Zyl-Cillié et al., 2024 [15] | Sudáfrica | Gradient booster: 75.8% burnout y 76.8% agotamiento; datos demográficos solos rindieron peor. | Gradient boosting |
| 16 | Hu et al., 2025 [16] | China | XGBoost fue mejor (AUC 0.939); estrés y fatiga física fueron claves. | KNN, RF, XGBoost + SHAP |
| 17 | Zeng et al., 2025 [17] | China | RF óptimo; predijo puntuación de burnout con capacidad moderada; identificó distrés y apoyo organizacional. | Random forest + Boruta/SHAP |
| 18 | Jamalirad y Jajroudi, 2023 [18] | Irán | Predice apoyo/comprensión de salud mental, no burnout; se conserva como evidencia contextual. | MLP, SVM, árbol |
En cuanto a las preguntas de investigación se obtuvieron los resultados siguientes:
3.1. RQ1: Criterios para medir la efectividad del machine learning en el burnout
Se analizaron los documentos y se encontraron 6 criterios que miden la efectividad del Machine Learning en el burnout, que se muestran en la Tabla 5.
| Criterio | Algoritmo / diseño | Cita de artículos | Cantidad |
|---|---|---|---|
| Discriminación: AUC/ROC | RF, XGBoost, modelos supervisados | [8, 9, 11, 13, 16] | 5 |
| Clasificación: precisión, recall, F1, exactitud | LR, deep multitarea, gradient boosting | [7, 12, 15] | 3 |
| Error y varianza explicada para puntuación continua | RF; regresión/SVM/RN/GBM | [10, 17] | 2 |
| Validación y generalización | Holdout, CV, validación externa, calibración/decisión | [9, 11, 13] | 3 |
| Interpretabilidad y accionabilidad | SHAP y selección de variables | [11, 12, 13, 14, 16, 17] | 6 |
De manera gráfica se puede observar en al gráfico de la Figura 2, resaltando la Interpretabilidad y accionabilidad con mayor aplicación (6) con un 31.6%
Al analizar un desenlace relacionado con la salud ocupacional y existe la posibilidad de un desbalance entre las clases, resulta conveniente complementar el AUC [8] con indicadores como la sensibilidad, la especificidad, la exactitud balanceada [16] y el F1-score [7, 15]. En conjunto, estas métricas permiten determinar tanto la capacidad del modelo para diferenciar adecuadamente los casos como su posibilidad de omitir situaciones asociadas con riesgo [12]. El estudio realizado con docentes empleó una partición independiente de los datos para evaluación (holdout), acompañada de métricas balanceadas, mientras que la investigación desarrollada en Corea [11] incorporó técnicas de remuestreo y validación cruzada. Estas estrategias proporcionan una evaluación más completa del desempeño predictivo que el uso exclusivo de la exactitud [11, 12]. Guo et al. [13] analizaron aspectos relacionados con la discriminación, la calibración y la curva de decisión utilizando una cohorte externa; sin embargo, su población estuvo constituida por profesionales de enfermería del área de radiología, por lo que sus resultados no pueden trasladarse directamente a profesionales del ámbito de las tecnologías de información. Por otra parte, Lou et al. [10] evidenciaron una situación diferente, en la que los registros pasivos de actividad presentaron una capacidad discriminativa limitada y la incorporación de información sobre el nivel basal de burnout no mostró una mejora claramente superior respecto de dicho indicador inicial. En consecuencia, el desarrollo de modelos orientados a profesionales de TI debería considerar como referencia los instrumentos basales de evaluación del burnout y realizar procesos de validación diferenciados según la organización, el perfil laboral y la modalidad de trabajo [16].
3.2. RQ2: Algoritmos se están utilizando para detectar el burnout en profesionales en tecnología
Se analizaron los documentos y se encontraron 7 algoritmos de Machine Learning que permiten detectar el burnout, que se muestran en la Tabla 6.
| Algoritmo | Métricas / resultados reportados | Cita de artículos | Cantidad |
|---|---|---|---|
| Modelos difusos | Comparación de tres modelos; sin métrica de clasificación informada | [5] | 1 |
| Regresión logística, SVM, naive Bayes, árbol, XGBoost | Mejor F1 para LR: 68.4% en agotamiento académico | [7] | 1 |
| Random forest | AUC 0.811 en docentes; AUC 0.904 en empresas coreanas | [9, 11] | 2 |
| Regresión penalizada, SVM, RN, RF, GBM | AUC promedio 0.595 con logs; 0.829 al incluir burnout basal | [10] | 1 |
| Deep learning multitarea | Recall 93%, precisión 91% en cohorte pequeña | [12] | 1 |
| Gradient boosting / XGBoost | Exactitud 75.8–76.8%; AUC externa 0.859; AUC 0.939 | [13, 15, 16] | 3 |
| MLP, SVM y árbol | Resultados “razonablemente precisos”; sin cifra | [18] | 1 |
Los algoritmos de Random Forest [11] y las técnicas boosting tienen una presencia recurrente en las investigaciones cuantitativas, debido a su capacidad para modelar relaciones no lineales [13] y determinar la relevancia de las variables predictoras [16]. Los desempeños más elevados identificados corresponden principalmente a estudios basados en encuestas de carácter ocupacional que incorporan un conjunto amplio de predictores, en lugar de investigaciones sustentadas exclusivamente en datos pasivos de actividad [15].
Por otro lado, los enfoques basados en aprendizaje profundo [12] y modelos multimodales presentan posibilidades de aplicación cuando se dispone de información procedente de dispositivos wearables o de series temporales. La investigación desarrollada con estudiantes de computación representa una aproximación más próxima al ámbito tecnológico [7]; los algoritmos deberían considerarse alternativas susceptibles de comparación dentro del proceso de modelamiento, en lugar de establecer una clasificación definitiva entre ellos [18].
3.3. RQ3: Patrones de burnout se detectan entre las distintas subáreas tecnológicas existentes y que afectan el desempeño laboral
Se analizaron los documentos y se encontraron 6 subáreas tecnológicas con patrones de burnout, que se muestran en la Tabla 7.
| Tipo de profesional | Patrón de burnout identificado | Cita de artículos | Cantidad |
|---|---|---|---|
| Profesionales TI, software e informática | Burnout se vincula con intención de salida; en informáticos las medianas MBI fueron más altas que en fisioterapeutas; en TI el entorno de oficina, la comunicación y la conveniencia del puesto se asociaron con menor afectación. | [1, 2, 4, 5] | 4 |
| Desarrolladores de videojuegos y TI en teletrabajo | Demandas temporales y horas semanales se asociaron con agotamiento; en videojuegos las demandas de tiempo explicaron 27% del agotamiento. En TI remoto se documentó burnout mediante MBI, pero no un patrón predictivo con ML. | [3, 6] | 2 |
| Estudiantes de computación y empleados tecnológicos | En estudiantes, agotamiento fue la dimensión más detectable con registros administrativos; en empleados tecnológicos se predijo necesidad de apoyo de salud mental, no burnout. No son pruebas directas en profesionales tecnológicos empleados. | [7, 18] | 2 |
| Docentes TI | Depresión, insomnio, uso problemático de internet y tiempo en línea figuraron entre los predictores; 19.7% presentó burnout en la muestra húngara. | [9] | 1 |
| Empleados de múltiples empresas / población ocupada | Inestabilidad, falta de recompensa, conflicto relacional e interferencia trabajo–vida fueron predictores destacados; las condiciones psicosociales superaron en importancia a variables organizacionales y sociodemográficas. | [11, 14] | 2 |
Los dos estudios enfocados en perfiles laborales del ámbito tecnológico que presentan características comparables evidencian una tendencia consistente: las exigencias relacionadas con el tiempo y la carga laboral contribuyen al incremento del agotamiento, mientras que determinados recursos, como las oportunidades de aprendizaje [4, 5], el desarrollo profesional, la comunicación efectiva y la disponibilidad de un entorno laboral adecuado, se relacionan con una menor afectación [6]. La evidencia que presenta una mayor proximidad con el desempeño laboral corresponde a la asociación identificada entre el burnout y la intención de abandonar la organización en profesionales de software [18]. Sin embargo, no se identificaron modelos validados que relacionen directamente el burnout con indicadores como la productividad, la calidad del código o la ocurrencia de incidentes operativos en áreas específicas del sector tecnológico.
De los artículos seleccionados, 6 se enfocan en profesionales de TI, software, informática o videojuegos; de este último grupo, únicamente uno emplea de manera directa un algoritmo computacional para analizar el burnout en profesionales del área informática [1, 5]. En futuras investigaciones sería pertinente diferenciar los distintos perfiles y roles de TI [14] y realizar mediciones longitudinales que permitan analizar conjuntamente el burnout con variables como rotación laboral, retrasos, calidad del trabajo, ausentismo y volumen de incidencias [11].
4. Conclusiones
En relación con el problema general, la revisión realizada evidencia que las técnicas de Machine Learning pueden emplearse para identificar o estimar el riesgo de burnout cuando se integran instrumentos de medición validados, variables relacionadas con las condiciones laborales. Entre los enfoques utilizados con mayor frecuencia destacan Random Forest, Gradient Boosting/XGBoost y aquellos modelos que incorporan técnicas de interpretabilidad como SHAP.
En cuanto a la RQ1, la evaluación de la efectividad de los modelos debería considerar diversos criterios, entre ellos la capacidad de discriminación y clasificación, la calibración, la validación externa, la interpretabilidad y la utilidad para la toma de decisiones, tomando como referencia una línea base adecuada.
Respecto de la RQ2, los estudios analizados comprenden una amplia variedad de técnicas, incluyendo modelos lineales, máquinas de vectores de soporte (SVM), algoritmos basados en árboles, Random Forest, métodos de boosting/XGBoost, modelos difusos y técnicas de aprendizaje profundo. La diversidad existente tanto en las características de los datos como en los contextos de aplicación dificulta establecer un algoritmo que pueda considerarse superior de manera general.
Finalmente, en relación con la RQ3, los factores que muestran mayor consistencia entre los estudios incluyen la sobrecarga laboral, las exigencias temporales, la fatiga, el desequilibrio entre esfuerzo y recompensa, la insuficiencia de apoyo o reconocimiento y las dificultades para conciliar las responsabilidades laborales y personales. La relación más próxima con una consecuencia laboral observable corresponde a la intención de abandonar el empleo identificada en profesionales del desarrollo de software.
A partir de estos hallazgos, realizar investigaciones futuras de tipo longitudinales con validación externa que consideren las particularidades de las diferentes subáreas y perfiles profesionales del sector tecnológico, identificando alternativas para disminuir el burnout en las personas que fueron detectadas con oportunidad.
