TeamZen - Sistema de detección temprana del burnout basado en encuestas digitales y modelos de lenguaje de gran escala

Abstract

El presente trabajo de título describe el diseño, desarrollo e implementación de TeamZen, una plataforma web orientada a la detección temprana del síndrome de burnout mediante el uso de encuestas digitales y análisis automatizado basado en inteligencia artificial. El proyecto surge ante la necesidad creciente de contar con herramientas tecnológicas que permitan identificar de manera preventiva indicadores de agotamiento laboral, antes de que estos evolucionen hacia cuadros más severos que afecten la salud mental, la productividad y el bienestar general de las personas. La solución propuesta integra un test autoadministrado basado en instrumentos psicométricos validados, como el Maslach Burnout Inventory (MBI), con un módulo de análisis inteligente que utiliza modelos de lenguaje de gran escala (LLMs) ejecutados a través de la plataforma Groq. A partir de las respuestas del usuario, el sistema genera un nivel de riesgo cuantitativo (0–100), una clasificación categórica (bajo, moderado o alto), una explicación interpretativa y recomendaciones personalizadas orientadas a la prevención. Desde el punto de vista técnico, la arquitectura del sistema se compone de un frontend desarrollado en React y desplegado en Netlify, un backend implementado en Node.js y Express, alojado en Render.com, y una base de datos PostgreSQL gestionada mediante Supabase, que además provee autenticación con Google OAuth y políticas de seguridad Row-Level Security (RLS). Esta arquitectura desacoplada permite escalabilidad, seguridad y mantenimiento eficiente. El sistema fue evaluado mediante pruebas funcionales, pruebas de carga ligera y evaluación con usuarios reales. Asimismo, se compararon 30 clasificaciones generadas por la IA con una clasificación manual de referencia realizada por el autor: 26 coincidieron y 4 discreparon, lo que equivale a una concordancia observada de 86,7 %. Este resultado es exploratorio y respalda(...).

This thesis presents the design, development, and implementation of TeamZen, a web-based platform aimed at the early detection of burnout syndrome through digital surveys and automated artificial intelligence analysis. The project addresses the growing need for technological tools capable of identifying early indicators of occupational exhaustion before they evolve into more severe conditions affecting mental health, productivity, and overall well-being. The proposed solution integrates a self-administered assessment based on validated psychometric instruments, such as the Maslach Burnout Inventory (MBI), with an intelligent analysis module powered by large language models (LLMs) executed through the Groq platform. Based on user responses, the system generates a quantitative risk score (0–100), a categorical classification (low, moderate, or high), an explanatory interpretation, and personalized preventive recommendations. From a technical perspective, the system architecture consists of a React-based frontend deployed on Netlify, a Node.js and Express backend hosted on Render.com, and a PostgreSQL database managed through Supabase, which also provides Google OAuth authentication and Row-Level Security (RLS) policies. This decoupled architecture ensures scalability, security, and maintainability. The system was assessed through functional testing, light load testing, and user-based evaluation. In addition, 30 AI-generated classifications were compared with a manual reference classification performed by the author: 26 agreed and 4 differed, yielding an observed agreement of 86.7%. This exploratory result supports(...).