فرسودگی شغلی (Burnout) در میان مدیران و رهبران سازمانی، دیگر یک پدیده حاشیه‌ای نیست، بلکه تهدیدی سیستمیک برای پایداری عملکرد سازمانی به‌شمار می‌آید. با این حال، رویکردهای سنتی مدیریت منابع انسانی غالباً به‌صورت واکنشی عمل می‌کنند؛ یعنی زمانی که نشانه‌های فرسودگی آشکار و غیرقابل انکار می‌شود، مداخله صورت می‌گیرد که اغلب دیرهنگام است.

در این میان، کانون ارزیابی (Assessment Center) که به‌عنوان پیشرفته‌ترین روش سنجش شایستگی شناخته می‌شود، می‌تواند منبعی غنی از داده‌های رفتاری، شناختی و حتی فیزیولوژیک باشد که پیش از بروز بحران، الگوهای آسیب‌پذیری مدیران را آشکار سازد. این مقاله استدلال می‌کند که با تغییر کاربری کانون ارزیابی از یک ابزار گزینش صرف به یک سیستم پایش پیش‌بینانه (Predictive Monitoring System)، سازمان‌ها می‌توانند فرسودگی شغلی را در مراحل اولیه شناسایی و از پیشرفت آن جلوگیری کنند.

کانون ارزیابی سنتی‌ترین منبع داده‌های عینی درباره نحوه واکنش مدیران به شرایط کاری است، اما کاربرد تحلیلی آن محدود به امتیازدهی نهایی شده است. در رویکرد پیش‌بینی‌کننده، تحلیلگران به‌جای تمرکز صرف بر «موفقیت» یا «شکست» در تمرینات، به الگوهای رفتاری خرد (Micro-behaviors) توجه می‌کنند که نشان‌دهنده خستگی مزمن هستند.

برای مثال، تغییرات در سرعت تصمیم‌گیری در طول یک روز ارزیابی فشرده، کاهش کیفیت پاسخ‌ها در تمرینات انتهایی نسبت به ابتدایی (اثر خستگی شناختی)، یا افزایش استفاده از استراتژی‌های اجتنابی در مواجهه با تعارض، می‌توانند شاخص‌های اولیه فرسودگی باشند. مطالعات نشان می‌دهند که مدیران در معرض فرسودگی، در شبیه‌سازی‌های مدیریت بحران، تمایل بیشتری به «تأخیر در تصمیم‌گیری» یا «واگذاری مسئولیت به دیگران» نشان می‌دهند. با تحلیل ویدئویی رفتارهای غیرکلامی (مانند تماس چشمی، زبان بدن، و تغییرات لحن صدا) در طول تمرینات کانون ارزیابی، می‌توان شاخص‌های مسخ شخصیت (Depersonalization) را پیش از آنکه در نظرسنجی‌های استاندارد آشکار شوند، شناسایی کرد.

پیشرفت‌های اخیر در فناوری‌های پوشیدنی (Wearable Devices) امکان ادغام داده‌های فیزیولوژیک در فرایند کانون ارزیابی را فراهم کرده است. ضربان قلب در حالت استراحت (Resting Heart Rate)، تغییرات ریتم قلب (Heart Rate Variability – HRV) به‌عنوان شاخص تنش عصبی، و کیفیت خواب در شب‌های پیش از ارزیابی، همگی می‌توانند پیش‌بینی‌کننده‌های قوی فرسودگی باشند.

پژوهش‌های اخیر نشان می‌دهند که افراد دارای سطوح بالای فرسودگی، الگوهای خواب آشفته‌تری دارند و در طول تمرینات کانون ارزیابی، پاسخ‌های فیزیولوژیک تنش‌زای شدیدتری (مانند افزایش ناگهانی ضربان قلب) نسبت به موقعیت‌های استرس‌زای مشابه نشان می‌دهند. این داده‌ها، به‌ویژه وقتی با داده‌های رفتاری ترکیب شوند، قدرت تفکیک بالایی دارند. برای مثال، ترکیب «کاهش HRV» با «کاهش مشارکت در بحث‌های گروهی» می‌تواند هشدار زودهنگام خستگی عاطفی (Emotional Exhaustion) را با دقت بالایی پیش‌بینی کند. این رویکرد «ارزیابی بی‌تفاوت» (Unobtrusive Assessment) است که بدون اتکا به خودگزارش‌دهی (Self-report) که معمولاً دچار سوگیری اجتماعی می‌شود، داده‌های عینی جمع‌آوری می‌کند.

جمع‌آوری حجم وسیع داده از کانون‌های ارزیابی (رفتاری، زیست‌سنجی، و عملکردی) بدون تحلیل‌های پیشرفته کارایی چندانی ندارد. مدل‌های یادگیری ماشین (Machine Learning) می‌توانند الگوهای پیچیده‌ای را شناسایی کنند که چشم انسان قادر به تشخیص آن‌ها نیست. الگوریتم‌های طبقه‌بندی (Classification) مانند جنگل تصادفی (Random Forest) یا شبکه‌های عصبی عمیق (Deep Neural Networks)، می‌توانند با تحلیل داده‌های تاریخی کانون ارزیابی مدیرانی که بعدها دچار فرسودگی شدند، مدل‌های پیش‌بینی بسازند.

این مدل‌ها به جای پیش‌بینی مقادیر مطلق، بر رتبه‌بندی ریسک (Risk Ranking) تمرکز دارند؛ یعنی مشخص می‌کنند کدام مدیران در معرض خطر بالاتری قرار دارند. رویکردهای یادگیری عمیق (Deep Learning) می‌توانند داده‌های متنی (مثل محتوای گفتار در مصاحبه‌های شبیه‌سازی شده)، صوتی (تنش در صدا) و زمانی (رفتار در طول زمان) را به‌صورت یکپارچه تحلیل کنند. مهم‌تر آنکه این سیستم‌ها می‌توانند تغییرات تدریجی (Trajectories) را در طول زمان ردیابی کنند؛ به این معنا که اگر یک مدیر در کانون ارزیابی سالانه امسال نسبت به سال گذشته، نشانه‌های کognitive weariness (خستگی شناختی) بیشتری نشان دهد، سیستم هشدار می‌دهد حتی اگر هنوز به آستانه بحران نرسیده باشد.

ارزش واقعی پیش‌بینی فرسودگی، زمانی محقق می‌شود که داده‌های کانون ارزیابی به مداخلات هدفمند (Targeted Interventions) تبدیل شوند. در این پارادایم جدید، کانون ارزیابی نه تنها «تشخیص‌دهنده» بلکه «درمانگر» است. پس از شناسایی مدیران در معرض خطر از طریق تحلیل داده‌ها، سازمان می‌تواند برنامه‌های حفاظتی شخصی‌سازی‌شده ارائه دهد. برای مثال، اگر داده‌ها نشان دهند که مدیر در مهارت «تفویض اختیار» (Delegation) ضعف دارد که منجر به بار کاری مفرط و فرسودگی می‌شود، برنامه مربی‌گری (Coaching) خاصی برای او طراحی می‌شود.

یا اگر داده‌های زیست‌سنجی نشان‌دهنده عدم تعادل کار-زندگی باشد، تنظیمات انعطاف‌پذیری در برنامه کاری پیشنهاد می‌گردد. این رویکرد «مداخله دقیق» (Precision Intervention) منابع سازمانی را بهینه می‌کند؛ به جای برنامه‌های عمومی بهداشت روان که اغلب اثرگذاری پایینی دارند، منابع صرف افرادی می‌شود که واقعاً در آستانه بحران هستند. علاوه بر این، بازخورد دقیق ارائه‌شده به مدیران پس از کانون ارزیابی (Developmental Feedback) می‌تواند خود یک مداخله درمانی باشد؛ زیرا افزایش خودآگاهی (Self-awareness) نسبت به نشانه‌های فرسودگی، اولین گام در مدیریت آن است.

گذار از کانون ارزیابی به‌عنوان یک «آزمون ورودی» به یک «سیستم هشدار زودهنگام سلامت رهبری»، نیازمند تغییر نگرش بنیادین در مدیریت منابع انسانی است. این رویکرد نشان می‌دهد که داده‌هایی که پیش‌تر صرفاً برای انتخاب استفاده می‌شدند، اکنون می‌توانند برای حفظ و نگهداری (Retention) سرمایه‌های انسانی حیاتی به‌کار روند. با ترکیب داده‌های رفتاری عینی کانون ارزیابی با تحلیل‌های یادگیری ماشین و داده‌های زیست‌سنجی، سازمان‌ها قادر خواهند بود تا فرسودگی شغلی را در مراحلی شناسایی کنند که هنوز قابل برگشت است.

این رویکرد نه تنها هزینه‌های ناشی از ترک خدمت مدیران کلیدی و افت عملکرد را کاهش می‌دهد، بلکه پیام مهمی به کارکنان ارسال می‌کند: سازمان به‌جای آنکه صرفاً به دنبال بهره‌کشی از ظرفیت‌های آن‌ها باشد، به فکر پایداری سلامت روان و جسم آن‌هاست. در آینده نزدیک، کانون‌های ارزیابی هوشمند با قابلیت پیش‌بینی ریسک فرسودگی، به استانداردی غیرقابل مذاکره در سازمان‌های پیشرو تبدیل خواهند شد؛ زیرا در دنیای پراسترس امروز، مهم‌ترین شایستگی یک مدیر، توانایی حفظ سلامت خود در مواجهه با فشارهاست، و سازمان‌های هوشمند آن‌هایی هستند که این توانایی را پیش از بحران، پیش‌بینی و تقویت می‌کنند.