La productividad de los empleados es un factor crítico que influye en el rendimiento organizacional, la eficiencia operativa y el éxito comercial global. En los lugares de trabajo digitales modernos, la pérdida de productividad ocurre a menudo de forma gradual y pasa desapercibida hasta que resulta en entregas retrasadas, reducción de la calidad del trabajo o agotamiento del empleado. Los sistemas tradicionales de monitoreo de productividad suelen depender de técnicas invasivas como el registro de pulsaciones, la captura de pantalla y el seguimiento del uso de aplicaciones, lo que plantea preocupaciones significativas sobre la privacidad y afecta negativamente la confianza de los empleados. Estos sistemas también se centran principalmente en la duración de la actividad en lugar de analizar patrones de comportamiento que indican desconexión cognitiva o fatiga. Esta investigación propone un Sistema Inteligente para Detectar Pérdida de Productividad en Empleados utilizando análisis conductuales y técnicas de aprendizaje automático. El sistema propuesto recopila metadatos de comportamiento no intrusivos, como el ritmo de escritura, la dinámica del movimiento del mouse y la frecuencia de cambio de aplicaciones para identificar anomalías de productividad sin acceder a datos sensibles. Se emplea un enfoque híbrido de aprendizaje automático utilizando Isolation Forest para la detección de anomalías y LSTM Autoencoder para analizar patrones de comportamiento temporales. La arquitectura del sistema integra un backend de Spring Boot, un frontend basado en React y un motor de aprendizaje automático basado en Python utilizando FastAPI. Los datos de comportamiento se analizan continuamente para detectar desviaciones de los patrones de productividad normales y generar alertas en tiempo real a través de un panel interactivo. Esto permite la identificación temprana de la disminución de la productividad mientras se mantiene la privacidad del usuario. La evaluación experimental demuestra que el sistema propuesto detecta eficazmente patrones de trabajo anormales y proporciona información práctica para mejorar el rendimiento y el bienestar de los empleados. El sistema ofrece un enfoque escalable, respetuoso con la privacidad e inteligente para el monitoreo de la productividad laboral en entornos de trabajo digitales modernos.
IJERST (Sat,) estudió esta cuestión.