理解情绪工作者的微笑背后：检测呼叫代理的通话后压力

文献标题

Understanding Behind the Smile of Emotion Workers: Detecting After-Call Stress in Call Agents

出版信息

• 主题领域: 使用多模态数据和任务对齐建模检测情绪劳动者的压力。
• 关键词: 情绪劳动者，呼叫代理，压力检测，任务对齐特征，多模态感知，个性化，机器学习，情绪劳动，工作场所福祉，伦理人工智能。

背景与问题

• 问题 / 挑战: 现有的压力检测系统主要针对知识工作者，并采用固定时间采样方法，这无法捕捉呼叫代理情绪劳动的情境性和人际互动特性。针对呼叫代理独特工作流程的压力检测研究仍然缺乏。
• 重要性: 呼叫代理因情绪劳动面临高水平的压力，这可能导致慢性压力、低工作满意度以及心理健康问题。有效的压力检测对于改善他们的福祉和工作环境至关重要。
• 动机与相关工作: 先前的研究探索了使用生理和行为数据进行压力检测，但很大程度上忽略了像呼叫代理这样的情绪劳动者。现有方法通常未能与呼叫代理的结构化任务周期对齐，从而在理解这一人群的压力动态方面留下了空白。

解决方案

• 提出的方法: 一个基于多模态数据（任务日志、环境、行为和生理信号）和个性化机器学习模型的任务对齐压力检测框架。
• 创新点:
  1. 引入任务日志作为检测通话后压力的主要感知模式。
  2. 开发了一个统一的建模流程，比较任务对齐和固定时间窗口策略。
  3. 证明个性化模型在捕捉压力模式的个体差异方面的有效性。
  4. 通过定性访谈将定量发现置于情境中，并识别建模挑战。
• 过程与关键技术:
  • 进行为期一个月的实地研究，涉及18名呼叫代理，收集多模态数据和自报告的压力水平。
  • 比较任务对齐和固定时间窗口策略的特征提取效果。
  • 通过消融研究评估不同数据来源（任务日志、环境、行为和自报告）的影响。
  • 使用嵌套的留一主体交叉验证训练机器学习模型，并通过SHAP值分析特征重要性。
  • 进行半结构化访谈，深入了解压力动态和建模局限性。

结果

• 具体发现:
  • 任务对齐特征的表现与5分钟固定窗口相当（ROC-AUC: 0.685 vs. 0.692），但优于更长的窗口（例如30分钟: ROC-AUC 0.605）。
  • 任务日志是信息量最大的数据来源，其中查询长度和通话时长等特征的重要性最高。
  • 个性化模型在约300–330次个人通话后优于通用模型，ROC-AUC从0.68提高到0.73以上。
• 相较基线的优势:
  • 任务对齐和短固定窗口比长窗口更有效地捕捉压力信号。
  • 添加任务日志显著提高了模型性能（ΔPR-AUC = 0.047）。
  • 个性化模型揭示了异质特征集，对于大多数参与者来说优于通用模型。
• 实验 / 评估:
  • 数据集: 来自15名参与者的7,442个通话级实例，覆盖310天。
  • 指标: ROC-AUC, PR-AUC, 加权F1。
  • 模型: 随机森林、XGBoost、CatBoost，以及TabNet等深度学习模型。
  • 评估: 嵌套的留一主体交叉验证和统计显著性测试。
• 局限性与未来工作:
  • 出于隐私考虑，排除了音频和视频数据，限制了情绪分析的丰富性。
  • 研究结果特定于韩国一个以女性为主的呼叫中心的文化和性别背景。
  • 未来工作应探索更大规模的跨国数据集以及隐私保护的音频分析。

总结

本研究开发了一个针对呼叫代理的任务对齐压力检测框架，利用多模态数据和个性化机器学习模型。任务日志被证明是最关键的数据来源，任务对齐窗口有效捕捉了压力信号。个性化模型在积累足够的个人历史后提升了性能，突出了压力反应的个体差异。定性访谈将这些发现置于背景中，并揭示了感知之外的挑战，如未测量的压力源和行为模糊性。研究倡导伦理部署压力检测工具，优先考虑员工福祉，同时解决隐私问题。未来研究应扩展到多样化的背景，并探索更多的感知模式。