Un TFG que intenta poner palabras al cansancio.
Todo el mundo sabe lo que es un mal día en el trabajo. Pocos reconocen cuándo ese mal día lleva seis meses seguidos. FireGuard nace con la idea de ofrecer un espejo algorítmico que ayude a reconocerlo.
Qué es FireGuard.
FireGuard es el resultado del Trabajo de Fin de Grado presentado en la Escuela Técnica Superior de Ingeniería de Sistemas Informáticos (ETSISI) de la Universidad Politécnica de Madrid. Su objetivo: construir un sistema de detección de burnout en texto en español con una arquitectura explicable.
La aproximación parte de una hipótesis: si los modelos de lenguaje individuales ya son útiles para tareas emocionales, combinar varios especializados mediante una capa de convención (votación ponderada) debería producir un veredicto más robusto y, sobre todo, más interpretable que cualquier modelo aislado.
Para validar la hipótesis, se construyó un dataset sintético de 94.000 mensajes laborales etiquetados mediante el Copenhagen Burnout Inventory, se fine-tunearon dos modelos (BETO para clasificación temática y mental-RoBERTa para burnout) y se integraron con dos modelos pre-entrenados (RoBERTuito en sentimiento y emoción). El sistema resultante alcanza un F1 Score de 98.49% sobre el test set.
Dudas habituales.
No. FireGuard es un sistema de cribado: puede indicarte si tu mensaje contiene señales compatibles con burnout, pero un diagnóstico clínico solo lo puede emitir un profesional tras una evaluación en profundidad. Piensa en esta herramienta como el equivalente a un test de autoevaluación en una revista, pero con un motor algorítmico detrás.
Nada más allá del propio análisis. El texto se envía al backend, los cuatro modelos lo procesan en memoria, y el resultado se devuelve al navegador. No se guarda en ninguna base de datos, ni se usa para reentrenar modelos. Al cerrar la pestaña, desaparece.
Porque los modelos transformer necesitan contexto suficiente para dar una clasificación fiable. Con 20 o 30 palabras el análisis sería ruido. 150 caracteres equivalen aproximadamente a dos o tres frases, lo mínimo para que los agentes extraigan señales útiles.
Es el único modelo entrenado específicamente para detectar burnout. Los otros tres aportan señales complementarias (tema, sentimiento y emoción) pero no son modelos de burnout. Asignarles un peso mayoritario implicaría diluir la señal principal con proxys. La distribución 60/20/20 se probó contra otras configuraciones y fue la que mejor calibró precisión y recall.
No. Todos los modelos están entrenados o fine-tuneados para español. Si introduces un texto en otro idioma, el análisis no será fiable. Extender el sistema al inglés o al catalán es una de las líneas de trabajo futuro.
Porque el Agente 1 ha clasificado tu mensaje como ocio o vida personal no relacionada con el trabajo. Medir burnout laboral en un texto sobre fútbol o sobre una película no tiene sentido, así que el sistema se detiene ahí. Reescribe el mensaje centrándote en tu situación en el trabajo: carga, compañeros, jefe, proyectos, reuniones, etc.
Sí. El código completo (backend, scripts de generación de datasets, notebooks de entrenamiento y este mismo frontend) está disponible en el repositorio de GitHub enlazado en el footer. Los datasets también se publicarán junto con la memoria del TFG.
Un análisis basado en un solo texto tiene límites. Prueba a reescribir tu mensaje con más concreción, o analizar otros momentos de tu semana. Si el resultado no coincide con cómo te sientes realmente, fíate de ti mismo: el sistema se equivoca, tú eres quien vive la situación. Y si hay duda, consulta con un profesional.
¿Hablamos?
GitHub del proyecto
Código fuente completo, documentación técnica, datasets y scripts de entrenamiento.
github.com/Jose-Luis-Munoz-Tejado →Para consultas sobre el proyecto, colaboraciones o preguntas académicas. No es un canal de soporte psicológico.
Perfil de LinkedIn →