Escalas psicométricas para avaliação de desempenho e para um modelo preditivo de afastamentos de servidores em IFES

Abstract

As instituições federais de ensino superior no Brasil vêm tentando melhorar o desempenho humano. Nesse contexto, esta tese articula e valida a integração de tecnologias avançadas, como inteligência artificial (IA) e aprendizado de máquina, na gestão de recursos humanos nas instituições de ensino superior. Através de uma série de seis artigos, a pesquisa explora e avalia a aplicação da Teoria de Resposta ao Item (TRI) para o desenvolvimento de instrumentos de avaliação da Qualidade de Vida no Trabalho (QVT) e da satisfação no trabalho. Além disso, ela emprega os resultados obtidos pela escala de satisfação no trabalho em modelos de aprendizado de máquina para prever licenças médicas de 30 ou mais dias. A tese abre com uma revisão abrangente da literatura destacando a necessidade de maior especialização em engenharia de segurança na construção de Sistemas de Avaliação de Desempenho de Saúde e Segurança do trabalho (SADSST). Além disso, ela destaca a transformação impactante que a IA e as ciências de dados estão trazendo para a gestão de Saúde e Segurança. Por meio do uso da TRI, a tese desenvolve e valida escalas para avaliar a QVT e a satisfação no trabalho, fornecendo uma ferramenta crucial para os tomadores de decisão. Ela enfatiza a necessidade de abordagens proativas para melhorar a QVT e a satisfação no trabalho. Por fim, a tese confirma a viabilidade de aplicar a escala de satisfação no trabalho em algoritmos de aprendizado de máquina para prever licenças médicas em instituições de ensino superior, com os modelos Random Forest e Naïve Bayes demonstrando eficácia superior. As descobertas reforçam a importância das abordagens baseadas em dados para a tomada de decisão e fornecem uma base sólida para futuras pesquisas e práticas. Em resumo, este trabalho pioneiro sinaliza um novo paradigma na gestão de recursos humanos, onde a tecnologia e a avaliação baseada em dados permitem um ambiente de trabalho mais seguro, produtivo e satisfatório.

Abstract: Federal higher education institutions in Brazil have been striving to enhance human performance. In this context, this thesis articulates and validates the integration of advanced technologies, such as artificial intelligence (AI) and machine learning, into human resources management in higher education institutions. Through a series of six articles, the research explores and evaluates the application of Item Response Theory (IRT) for the development of assessment tools for Quality of Working Life and job satisfaction. Additionally, it employs the Job Satisfaction scores in machine learning models to predict sick leaves of 30 or more days. The thesis begins with a comprehensive literature review highlighting the need for greater expertise in safety engineering in the construction of occupational health and safety management systems. Moreover, it emphasizes the impactful transformation that AI and data sciences are bringing to Health and Safety management. Using the IRT, the thesis develops and validates scales to assess QWL and job satisfaction, providing a crucial tool for decision-makers. It underscores the need for proactive approaches to enhance QWL and job satisfaction. In conclusion, the thesis confirms the feasibility of applying the job satisfaction scale in machine learning algorithms to predict sick leaves in higher education institutions, with Random Forest and Naïve Bayes models demonstrating superior efficacy. The findings reinforce the importance of databased approaches to decision-making and provide a solid foundation for future research and practices. In summary, this pioneering work signals a new paradigm in human resources management, where technology and databased assessment enable a safer, more productive, and satisfactory work environment.