Cuatro agentes que se escuchan entre sí.
La detección de burnout no es un problema de un solo modelo. FireGuard combina cuatro transformers especializados mediante una capa de convención que pondera sus votos para producir una decisión explicable.
Los cuatro agentes.
Agente 1 · Topic Classifier
BETO (BERT en español) fine-tuned sobre 1.000 mensajes sintéticos validados. Decide si el texto de entrada va de trabajo o de ocio.
Si el agente 1 dictamina que no es un contexto laboral, el análisis se detiene ahí: no tiene sentido evaluar burnout en un texto sobre fútbol. Umbral de confianza: 70%.
Agente 2A · Sentiment Analyzer
RoBERTuito sentiment (Pérez et al., 2021). Extrae la polaridad emocional del texto en tres categorías: positivo, negativo, neutro.
El sentimiento ofrece una señal robusta pero grosera. Por eso pondera solo un 20% en la decisión final, pero sirve como señal de polaridad independiente al agente específico.
Agente 2B · Emotion Analyzer
RoBERTuito emotion sobre las seis emociones básicas de Ekman: alegría, tristeza, ira, miedo, asco, sorpresa (+ neutral).
Una granularidad superior al sentimiento. Tristeza e ira persistentes apuntan a burnout; alegría apunta a bienestar. También pondera un 20%.
Agente 3 · Burnout Detector
mental-RoBERTa fine-tuned con un dataset propio de 94.000 mensajes etiquetados mediante el Copenhagen Burnout Inventory.
Es el modelo específico del dominio. Pondera un 60% en la decisión final porque es el único entrenado directamente sobre la tarea de detectar burnout en texto.
Copenhagen Burnout Inventory.
Para entrenar al agente 3 no bastaba con etiquetar textos a ojo. Necesitábamos un criterio reproducible, y lo encontramos en el instrumento clínico más usado en investigación sobre burnout.
6 preguntas
Evalúan el agotamiento general del individuo: cansancio físico y mental presentes en la vida cotidiana.
3 preguntas
Miden el grado en el que la persona atribuye su agotamiento específicamente al trabajo.
10 preguntas
Exploran el cansancio derivado del trato con personas (pacientes, alumnos, usuarios, clientes).
Cómo se genera cada etiqueta
Para cada mensaje del dataset de entrenamiento, Gemini 2.0 Flash responde las 19 preguntas del CBI en escala 1–5. Se suma la puntuación total (rango 19–95). Si supera 75 puntos, el mensaje se etiqueta como burnout; si queda bajo 30, como bienestar. Esto permite tener 94.000 ejemplos con una etiqueta clínicamente fundamentada.
Lo que rinde el modelo.
Bajo el capó.
PyTorch + Transformers
Modelos entrenados con la librería Transformers de Hugging Face sobre PyTorch. Fine-tuning con la Trainer API, 5 épocas, lr 2e-5, batch 16, max_length 256.
Flask + Cloud Run
API REST en Flask. Endpoint /analyze
orquesta los cuatro agentes y devuelve el resultado con desglose completo. Desplegado en
Google Cloud Run.
Generación sintética con Gemini
Pipeline de tres agentes con Gemini 2.0 Flash: generación, evaluación CBI y clasificación final. Coste total: $35 USD. Tiempo: unas 2,5 horas con procesamiento paralelo.
HTML + CSS + JS puro
Sin frameworks, sin dependencias. Tipografía variable de Google Fonts. Todo cabe en un bucket estático y se sirve desde el propio Flask en modo local.