Unobtrusive stress assessment in knowledge work using real-life environmental sensor data
Kallio, Johanna (2021-11-12)
https://urn.fi/URN:ISBN:9789526230634
Kuvaus
Oulu for public defence in the Auditorium L5, Linnanmaa, on 19th of November 2021, at 13 p.m.
Tiivistelmä
Abstract
Prolonged work stress has an extensive negative impact across modern society. In recent years, it has become an increasing issue, specifically in cognitively demanding knowledge-intensive professions. To address the global necessity of the timely detection and reducing of work stress, sensor-based automated methods for measuring stress are emerging. To date, most stress assessment studies have been conducted in laboratory environments investigating the short-term effects of artificially induced stress. However, in the real world, stress is caused by a wider variety of factors over time, implying a need for more information with long-duration experiments in actual daily work life. Moreover, individuals perceive stress differently, and adaptation to personal characteristics is required for the best results.
This dissertation proposes a scientifically novel way of detecting work stress using machine learning and unobtrusive sensors in different types of knowledge work environments. The applicability of indoor environmental quality and human motion sensor data for continuous work stress assessment of individual employees was examined by conducting three longitudinal real-life experiments and an online survey. The results suggested that the developed stress monitoring system can help in assessing perceived work stress on a daily basis. Moreover, the survey results revealed that the use of environmental sensors for continuous work stress assessment is acceptable, and knowledge workers are willing to share their stress-indicative data to promote well-being at work. The presented findings enable automated follow-up of employee stress, suitable for the future development of personalized well-being solutions to avoid excessive work stress at individual and organizational levels.
Tiivistelmä
Pitkittyneellä työstressillä on merkittäviä negatiivisia vaikutuksia koko yhteiskuntaan. Viime vuosina siitä on tullut kasvava ongelma erityisesti kognitiivisesti haastavissa tietointensiivisissä ammateissa. Jotta voitaisiin vastata maailmanlaajuiseen tarpeeseen tunnistaa ja vähentää työstressiä ajoissa, stressin mittaamiseen tarkoitetut anturipohjaiset automatisoidut menetelmät ovat nousseet tärkeäksi kehityskohteeksi. Tähän mennessä suurin osa stressin arviointiin liittyvistä tutkimuksista on suoritettu laboratorioympäristöissä, joissa tarkastellaan keinotekoisesti aiheutetun stressin lyhytaikaisia vaikutuksia. Tosielämässä stressi aiheutuu ajan kuluessa monenlaisista tekijöistä, minkä vuoksi tarvitaan lisää tietoa todellisesta päivittäisestä työelämästä pitkäkestoisin kokein. Lisäksi ihmiset kokevat stressin eri tavoin, ja parhaan tuloksen saavuttamiseksi vaaditaan adaptoitumista yksilöllisiin ominaisuuksiin.
Tässä väitöskirjassa ehdotetaan tieteellisesti uutta tapaa työstressin tunnistamiseen hyödyntämällä koneoppimista ja huomaamattomia antureita erilaisissa tietotyöympäristöissä. Sisäympäristön laadusta ja ihmisen liikkeestä mitatun datan soveltuvuutta yksittäisten tietotyöntekijöiden työstressin jatkuvaan seurantaan tarkasteltiin toteuttamalla kolme pitkittäistä reaalimaailman koetta ja verkkokysely. Tulokset viittasivat siihen, että toteutettu stressin seurantajärjestelmä voi auttaa arvioimaan koettua päivittäistä työstressiä. Lisäksi tuloksista ilmeni, että ympäristöantureiden käyttö jatkuvassa työstressin arvioinnissa on hyväksyttävää, ja tietotyöntekijät ovat kiinnostuneita jakamaan henkilökohtaisia stressitietojaan työhyvinvoinnin edistämiseksi. Esitetyt tulokset mahdollistavat työntekijöiden stressin automaattisen seurannan, mikä on sovellettavissa personoitujen ratkaisujen kehittämiseen liiallisen työstressin välttämiseksi yksilö- ja organisaatiotasolla.
Original papers
Original papers are not included in the electronic version of the dissertation.
Kallio, J., Vildjiounaite, E., Kyllönen, V., Ronkainen, J., Koivusaari, J., Muuraiskangas, S., Räsänen, P., Similä, H., & Vehmas, K. (2019). Classifying teachers’ self-reported productivity, stress and indoor environmental quality using environmental sensors. In I. Chatzigiannakis, B. De Ruyter, & I. Mavrommati (Eds.), Ambient Intelligence (Vol. 11912, pp. 27–40). Springer International Publishing. https://doi.org/10.1007/978-3-030-34255-5_3
Kallio, J., Vildjiounaite, E., Koivusaari, J., Räsänen, P., Similä, H., Kyllönen, V., Muuraiskangas, S., Ronkainen, J., Rehu, J., & Vehmas, K. (2020). Assessment of perceived indoor environmental quality, stress and productivity based on environmental sensor data and personality categorization. Building and Environment, 175, 106787. https://doi.org/10.1016/j.buildenv.2020.106787
Vildjiounaite, E., Huotari, V., Kallio, J., Kyllönen, V., Mäkelä, S.-M., & Gimel’farb, G. (2019). Unobtrusive assessment of stress of office workers via analysis of their motion trajectories. Pervasive and Mobile Computing, 58, 101028. https://doi.org/10.1016/j.pmcj.2019.05.009
Vildjiounaite, E., Kallio, J., Kantorovitch, J., Kyllönen, V., Räsänen, P., & Ronkainen, J. (2020). Towards social enterprise with internet of office desks. In D. Kreps, T. Komukai, T. V. Gopal, & K. Ishii (Eds.), Human-Centric Computing in a Data-Driven Society (Vol. 590, pp. 361–374). Springer International Publishing. https://doi.org/10.1007/978-3-030-62803-1_29
Kallio, J., Vildjiounaite, E., Kantorovitch, J., Kinnula, A., & Bordallo López, M. (2021). Unobtrusive continuous stress detection in knowledge work—Statistical analysis on user acceptance. Sustainability, 13(4), 2003. https://doi.org/10.3390/su13042003
Osajulkaisut
Osajulkaisut eivät sisälly väitöskirjan elektroniseen versioon.
Kallio, J., Vildjiounaite, E., Kyllönen, V., Ronkainen, J., Koivusaari, J., Muuraiskangas, S., Räsänen, P., Similä, H., & Vehmas, K. (2019). Classifying teachers’ self-reported productivity, stress and indoor environmental quality using environmental sensors. In I. Chatzigiannakis, B. De Ruyter, & I. Mavrommati (Eds.), Ambient Intelligence (Vol. 11912, pp. 27–40). Springer International Publishing. https://doi.org/10.1007/978-3-030-34255-5_3
Kallio, J., Vildjiounaite, E., Koivusaari, J., Räsänen, P., Similä, H., Kyllönen, V., Muuraiskangas, S., Ronkainen, J., Rehu, J., & Vehmas, K. (2020). Assessment of perceived indoor environmental quality, stress and productivity based on environmental sensor data and personality categorization. Building and Environment, 175, 106787. https://doi.org/10.1016/j.buildenv.2020.106787
Vildjiounaite, E., Huotari, V., Kallio, J., Kyllönen, V., Mäkelä, S.-M., & Gimel’farb, G. (2019). Unobtrusive assessment of stress of office workers via analysis of their motion trajectories. Pervasive and Mobile Computing, 58, 101028. https://doi.org/10.1016/j.pmcj.2019.05.009
Vildjiounaite, E., Kallio, J., Kantorovitch, J., Kyllönen, V., Räsänen, P., & Ronkainen, J. (2020). Towards social enterprise with internet of office desks. In D. Kreps, T. Komukai, T. V. Gopal, & K. Ishii (Eds.), Human-Centric Computing in a Data-Driven Society (Vol. 590, pp. 361–374). Springer International Publishing. https://doi.org/10.1007/978-3-030-62803-1_29
Kallio, J., Vildjiounaite, E., Kantorovitch, J., Kinnula, A., & Bordallo López, M. (2021). Unobtrusive continuous stress detection in knowledge work—Statistical analysis on user acceptance. Sustainability, 13(4), 2003. https://doi.org/10.3390/su13042003
Kokoelmat
- Avoin saatavuus [31940]