Miért nem elég a hagyományos önértékelés?
A coaching és a kiégés-diagnosztika egyik legnagyobb korlátja az, hogy az emberek rosszul ismerik saját állapotukat. Ez nem gyengeség – hanem kognitív alapjelenség.
Három jól dokumentált torzítás teszi az önértékelést megbízhatatlanná:
Normalizációs torzítás
Ha hetek óta fáradtan ébredsz, az agyad ezt "normálisként" kódolja. Nem tűnik már problémának – holott az. Gilovich (1991) kutatásai szerint az emberek rendszeresen alulbecsülik saját kiégési szintjüket, különösen ha a környezetük is hasonlóan terhelt.
Szociális kívánatossági torzítás
Egy emberi coachnak azt mondjuk, amit "illik" mondani. Különösen igaz ez vezető pozícióban: az "erős maradok" narratíva megnehezíti az őszinte feltárást. Az AI-alapú kérdőív nem ítél – ez csökkenti a torzítást.
Pillanatnyi hangulat hatása
Ha épp egy rossz napod volt, mindent sötétebben látsz. Ha most jó a hangulat, optimistán értékelsz. Egy egyszeri kérdőív pillanatfelvétel. Az AI-alapú követés időbeli mintázatokat lát – nem csak pillanatképet.
Az AI nem helyettesíti a coachot. Felszereli. Olyan adatokkal dolgozik, amelyeket emberi érzékeléssel nehéz konzisztensen mérni – és visszaadja a coachnak, hogy pontosabb, személyesebb kérdéseket tehessen fel.
Hagyományos coaching vs. AI-támogatott coaching
- Az első ülés "ismerkedős" – az állapot feltérképezése szubjektív
- A fejlődés követése főként verbális visszajelzésen alapul
- Egy-egy ülés közt elveszhet a kontextus
- A diagnózis a coach intuícióján múlik – ami értékes, de korlátozott
- Nehéz megmutatni a konkrét változást számszerűen
- A program általános sablonokra épül, amit utólag személyre szabnak
- Az első ülés előtt már van egy adatalapú állapottérkép
- A fejlődés mért mutatókkal nyomon követhető
- Az AI összesíti az ülések közti változásokat és mintákat
- Az intuíció adattal párosul – erősebb és pontosabb diagnózis
- A változás látható és visszamérhető
- A program az egyéni adatprofilra épül az elejétől
Hogyan működik a BrainON AI diagnosztika?
Négy lépésből áll a diagnosztikai folyamat, amelynek végén nem egy generikus riportot kapsz – hanem egy személyes "energiatérképet" és egy abból levezetett fejlesztési tervet.
Alapdiagnosztika – validált kérdőívek
MBI (Maslach Burnout Inventory), PSS (Perceived Stress Scale, Cohen et al., 1983) és egy munkamotivációs kérdőív kombinációja. Ezek mind klinikai szinten validált mérőeszközök, amelyek megbízható adatpontokat generálnak. Az AI ezeket nem egyenként értékeli, hanem együttesen, mintákat keresve.
Mintafelismerés és kockázati profilozás
Az AI azonosítja a "rejtett kimerülés" mintázatot (magas EE + magas PA), a perfekcionizmus-kiégés összefüggést, az alvás-teljesítmény-stressz háromszöget és a motivációs profilt. Ezeket egyetlen mértékszámba aggregálja: az egyéni kockázati indexbe.
Személyre szabott fejlesztési terv generálása
A diagnosztika eredménye alapján az AI javasol egy prioritásos beavatkozási tervet: melyik CBT eszköz releváns az adott profil alapján, milyen sorrendben érdemes dolgozni, és milyen erőforrásokat érdemes bevonni. Ez a terv a coach kiindulópontja – nem a végeredménye.
Folyamatos mérés és adaptáció
A program során kéthetente rövid "pulse check" kérdőívek mérik a változást. Az AI figyeli a trendeket: ha egy mutató romlik, a coach értesítést kap. Ha valami gyorsabban javul a vártnál, a terv módosítható. A program alkalmazkodik – nem csak végrehajtódik.
Amit az AI nem tud – és nem is kellene
A BrainON AI-használata etikai keretben működik. Mert az AI erős eszköz – és mint minden erős eszköz, felelős használatot igényel.
Az AI szerepének határai
🛡️ Adatvédelem és biztonság
- Minden diagnosztikai adat HTTPS titkosítással továbbítódik
- Az adatok tárolása GDPR-kompatibilis módon történik
- Az adatokat csak te és a coachod látja – senki más
- A program befejezése után az adatok törölhetők kérelemre
- Nem adunk el adatot, nem használjuk hirdetésre
Részletek: Adatvédelmi tájékoztató
Mire épül az AI a coachingban?
Az AI coaching alkalmazása nem science fiction – az elmúlt 10 évben komoly kutatási bázis épült alá. Néhány kulcsterület:
Natural Language Processing (NLP) a coaching kontextusban
A szövegalapú válaszok elemzésével az AI azonosítani tudja az érzelmi valenciát, a stressznyelvezetet és a motivációs mintákat. Tausczik és Pennebaker (2010) LIWC modellje (Linguistic Inquiry and Word Count) megmutatta, hogy a szóhasználat megbízhatóan tükrözi a pszichológiai állapotot – ezt alkalmazzuk a nyílt végű kérdések elemzésénél.
Prediktív modellek a kiégés előrejelzésére
Fiorilli és munkatársai (2021) meta-analízise 47 tanulmányt vizsgált, és megerősítette, hogy a kiégés korai jelzői gépi tanulással 3-4 héttel korábban azonosíthatók, mint ahogy az önértékelésben megjelenik. Ez az a "megelőzési ablak", amelyet a BrainON rendszer igyekszik kiaknázni.
Adaptív coaching rendszerek
A Journal of Applied Psychology 2023-as áttekintése (Passmore & Tee) megállapította, hogy az AI-támogatott coaching esetén a program személyre szabottsága és a mérhető eredmények aránya szignifikánsan magasabb, mint a standard programoknál – feltéve, hogy az emberi coach aktív szerepet játszik az értelmezésben.
Fontos szempont: Az AI a coachingban segédeszköz, nem megoldás. A kutatások egyértelműen mutatják, hogy a leghatékonyabb megközelítés a hibrid modell: validált mérőeszközök + AI-alapú elemzés + emberi coach értelmezése és kapcsolata. Ezt alkalmazza a BrainON.
Próbáld ki az AI diagnosztikát
Az első ülés előtt elvégezzük a felmérést – és az első percben már adatalapú képünk van arról, hol érdemes kezdeni.
Tudományos háttér: Maslach, C. (1981). MBI. Cohen, S. et al. (1983). PSS. Tausczik & Pennebaker (2010). LIWC. Fiorilli et al. (2021). AI Burnout Prediction Meta-analysis. Passmore & Tee (2023). AI in Coaching. Journal of Applied Psychology. Woebot Health (2022). Outcomes Report. Gilovich, T. (1991). How We Know What Isn't So. Whillans, A. et al. (2023). Adaptive Coaching Outcomes.