Occupational stress can cause health problems, productivity loss or absenteeism. Resilience interventions that help employees positively adapt to adversity can help prevent the negative consequences of occupational stress. Due to advances in sensor technology and smartphone applications, relatively unobtrusive self-monitoring of resilience-related outcomes is possible. With models that can recognize intra-individual changes in these outcomes and relate them to causal factors within the employee's context, an automated resilience intervention that gives personalized, just-in-time feedback can be developed. This paper presents the conceptual framework and methods behind the WearMe project, which aims to develop such models. A cyclical conceptual framework based on existing theories of stress and resilience is presented as the basis for the WearMe project. The operationalization of the concepts and the daily measurement cycle are described, including the use of wearable sensor technology (e.g., sleep tracking and heart rate variability measurements) and Ecological Momentary Assessment (mobile app). Analyses target the development of within-subject (n=1) and between-subjects models and include repeated measures correlation, multilevel modelling, time series analysis and Bayesian network statistics. Future work will focus on further developing these models and eventually explore the effectiveness of the envisioned personalized resilience system.
Binnen dit promotieonderzoek, waarvoor wordt samengewerkt met TNO en het Universitair Medisch Centrum Groningen (UMCG), staat de ontwikkeling van modellen centraal waarmee de veerkracht van werknemers voorspeld kan worden met behulp van wearables en apps. Door de toenemende beschikbaarheid van smartphone apps en wearables (zoals smartwatches) wordt de drempel steeds lager om informatie te verzamelen over het fysieke en psychische functioneren van mensen. Ook organisaties zoeken mogelijkheden om met nieuwe technologie hun werknemers te ondersteunen in het optimaliseren van de veerkracht en duurzame inzetbaarheid.Met moderne software is het op basis van grote hoeveelheden data mogelijk om modellen te ontwikkelen waarmee patronen herkend kunnen worden die voor een individu niet direct zichtbaar zijn. De toepassing van deze technieken op data afkomstig van wearables en apps is daarom sterk in opkomst, maar staat nog in de kinderschoenen.Dit onderzoek richt zich op de ontwikkeling van modellen waarmee de veerkracht van werknemers voorspeld kan worden op basis van data afkomstig van wearables en apps. Hierdoor krijgen werknemers en organisaties inzicht in de mate waarin werknemers veerkrachtig zijn en aan welke specifieke aspecten gewerkt kan worden om de veerkracht en duurzame inzetbaarheid te verbeteren.
