Речевая аналитика для HR — как текст разговоров показывает выгорание раньше опросников

В январе 2026 года группа исследователей из Высшей школы экономики и Университета Нова де Лисбон опубликовала на arXiv модель, которая определяет признаки профессионального выгорания по тексту. Точность — 94%, AUC-ROC — 0,98. Модель обучена на русскоязычных данных, работает с обычными текстовыми сообщениями и не требует ни опросников, ни анкет. Цифра сама по себе впечатляет, но за ней стоит вопрос интереснее: а что именно меняется в речи человека, когда он начинает выгорать? И можно ли это увидеть в рабочих разговорах — не дожидаясь, пока сотрудник напишет заявление?

Тема стоит на стыке лингвистики, психологии и HR-аналитики. За последние пять лет появилось несколько серьёзных исследований, которые показывают: язык действительно меняется раньше, чем человек осознаёт проблему. И это открывает возможности, которых у HR-руководителей раньше не было, — но одновременно ставит жёсткие этические вопросы.

ВОЗ включила выгорание в МКБ-11 как профессиональный феномен — не заболевание, а синдром, связанный с хроническим рабочим стрессом. Три компонента, которые ещё в 1981 году описали Кристина Маслах и Сьюзан Джексон в ставшем стандартом Maslach Burnout Inventory: эмоциональное истощение, деперсонализация и снижение ощущения личных достижений.

Для этой статьи критичен второй компонент — деперсонализация. Это эмоциональное дистанцирование от работы и людей, с которыми человек взаимодействует. Администратор клиники начинает говорить о пациентах как о «потоке». Менеджер по продажам описывает клиентов как «заявки». Оператор контакт-центра использует безличные конструкции вместо живого обращения. Само по себе ни одно из этих изменений не выглядит тревожным. Тревожной становится динамика — когда лексика систематически смещается от включённости к дистанции.

Джеймс Пеннебейкер, профессор психологии Техасского университета в Остине, более двадцати лет исследует связь между функциональными словами и психологическим состоянием. Его книга The Secret Life of Pronouns (2011) суммирует десятки экспериментов и показывает: именно служебные слова — местоимения, предлоги, союзы — оказываются самым точным маркером вовлечённости, статуса и эмоционального состояния. Причина в том, что мозг обрабатывает их автоматически. Человек может осознанно выбирать, о чём говорить, но не контролирует, как часто произносит «мы» вместо «они».

Механизм Пеннебейкер описал на десятках разных выборок — от писем солдат до корпоративной переписки, от блогов до переговоров. Когда человек ощущает себя частью группы, он органично говорит «мы решили», «у нас принято», «наш отдел». Когда вовлечённость снижается, «мы» вытесняется. Сначала появляется «они» — «они решили», «руководство считает», «компания требует». Затем нарастают безличные конструкции: «было принято решение», «есть такая политика», «так заведено». Человек лингвистически отделяет себя от организации, и этот процесс происходит без осознанного контроля.

Исследование Belz, Adair, Proulx, Frankel и Sexton (2022), опубликованное в Frontiers in Psychiatry, перевело наблюдения Пеннебейкера в практическую плоскость. Авторы — специалисты Duke University и Duke Center for Healthcare Safety and Quality — работали с продольным опросом, охватившим 11 336 медработников в 2019 году. Из всех ответов отобрали текстовые комментарии длиной от 20 слов и проанализировали их с помощью программы LIWC: 2 101 комментарий в 2019-м и 1 418 — в 2020-м.

Результаты: пять категорий лингвистических маркеров оказались статистически значимыми предикторами эмоционального истощения. Сотрудники с высоким уровнем выгорания использовали значительно больше слов с негативной эмоциональной окраской (p < 0,001) и лексики, связанной с властью и иерархией (p < 0,0001) — «приказ», «контроль», «начальство». Язык переставал описывать совместную работу и начинал описывать подчинение. Одновременно росло общее количество слов в комментариях — выгорающие сотрудники писали больше, но не содержательнее.

Самый важный результат — направленность связи. Текущее эмоциональное истощение не предсказывало будущий язык. А вот язык предсказывал будущее эмоциональное истощение. Лингвистические маркеры работали именно как опережающий индикатор: они проявлялись до того, как выгорание фиксировалось стандартными инструментами оценки. Человек ещё не отдавал себе отчёт в проблеме — но его текст уже сигнализировал о ней.

Исследование Zavertiaeva et al. (2026) сделало следующий шаг — от наблюдения к автоматической классификации. Авторы построили модель на базе RuBERT, обученного на датасете RuSentiment, и дообучили её для распознавания признаков выгорания в тексте. Обучающая выборка — 18 395 предложений из двух источников: синтетические данные (3 996 предложений, сгенерированных через ChatGPT с разными персонами) и реальные комментарии с YouTube (14 399 предложений из русскоязычных видео о выгорании). Из них 1 601 неоднозначный комментарий прошёл ручную разметку по структурированным параметрам.

Финальные метрики: точность 0,940, полнота 0,944, AUC-ROC 0,980. Рамка для определения выгорания взята из трёх признанных инструментов: классификации МКБ-11, Maslach Burnout Inventory и опросника Бойко — последний широко используется в русскоязычном научном контексте. Модель присваивает тексту вероятность наличия признаков выгорания и работает с тремя измерениями: эмоциональное истощение, деперсонализация, снижение профессиональной эффективности.

Это первая модель такого класса, обученная на русскоязычных данных. Для российского контекста она интересна тем, что учитывает лингвистические особенности, которые не захватывают англоязычные модели, — например, более развитую систему местоимений и безличных конструкций в русском языке.

Параллельно с анализом самих текстов исследователи изучали коммуникационные паттерны — не что написано, а как организована переписка. Estévez-Mujica и Quintane (2018) проанализировали 52 190 электронных писем 57 сотрудников итальянской R&D-компании за пять месяцев. Результаты выгорания измеряли по Oldenburg Burnout Inventory.

Модель объяснила 37% дисперсии в шкале истощения и 19% — в шкале отчуждения. При классификации «высокий риск / низкий риск» F1-score составил 84% при 100% полноте и 73% точности. Примечательно, что значимыми предикторами оказались не объём переписки и не количество отправленных писем, а структура коммуникационных связей. Чем больше у сотрудника взаимных переписок с вышестоящими руководителями, тем выше уровень истощения. Количество контактов, напротив, коррелировало с меньшим уровнем выгорания — видимо, широкая сеть общения работала как форма социальной поддержки.

Для HR-аналитики этот результат ценен тем, что метаданные переписки — кто кому пишет и как часто — вообще не требуют доступа к содержимому сообщений. Анализ структуры коммуникаций, без чтения текстов, уже даёт значимый предиктивный сигнал.

Если бы выгорание оставалось проблемой отдельных сотрудников, анализ текстов был бы интересной, но нишевой задачей. Цифры говорят о другом.

По данным Gallup (State of the Global Workplace 2025), уровень вовлечённости сотрудников в мире снизился до 21% — падение на два процентных пункта, сопоставимое по масштабу только с 2020 годом и ковидными локдаунами. Потери мировой экономики от низкой вовлечённости Gallup оценивает в 8,9 триллиона долларов ежегодно — около 9% глобального ВВП.

Выгоревшие сотрудники уходят. По данным того же Gallup, они на 63% чаще берут больничные и в 2,6 раза чаще ищут новую работу. Текучесть в командах с низкой вовлечённостью на 18-43% выше, чем в командах с высокой. Замена сотрудника обходится от 40% годовой зарплаты для линейных позиций до 200% для руководителей. В медицине цифры ещё жёстче: уход одного врача из-за выгорания стоит организации от 500 тысяч до миллиона долларов.

При этом стандартные инструменты HR — опросники вовлечённости, пульс-опросы, ежегодные ревью — фиксируют проблему постфактум. Сотрудник уже принял решение об уходе, когда HR-отдел узнаёт о проблеме из заявления на столе. Лингвистические маркеры, описанные в исследованиях Пеннебейкера и Belz, появляются раньше осознанного решения — потому что работают на уровне автоматической обработки языка. Это окно вмешательства, которое традиционные методы не дают.

Когда мы в imot.io работаем с текстом разговоров, описанная в исследованиях динамика заметна по тегам. Сотрудник, который раньше говорил «мы предлагаем», «у нас есть вариант», «наша клиника специализируется», постепенно переходит на «компания предоставляет», «есть такая услуга», «можно записаться». Формально содержание разговора то же самое. Фактически — человек лингвистически отделяет себя от организации.

Платформа размечает звонки и консультации по тегам, которые отражают конкретные речевые паттерны. По тексту диалога видно, какие формулировки использует сотрудник — и как они меняются во времени. Когда доля «мы»-формулировок у конкретной группы сотрудников за три-четыре недели заметно снижается, а доля безличных конструкций и третьего лица растёт, руководитель видит тренд в данных, а не узнаёт о нём из заявления.

Параллельно заметны и другие маркеры из исследований: снижается лексическое разнообразие ответов, формулировки становятся шаблонными, ответы на вопросы клиентов короче, готовность объяснять и аргументировать падает. Там, где раньше звучало развёрнутое описание преимуществ, появляется «можете посмотреть на сайте» или «зависит от ситуации». По отдельности каждый такой сигнал ничего не значит. В динамике, на выборке из сотен разговоров — это паттерн, который стоит отслеживать.

Важно понимать границы. Речевая аналитика не ставит диагноз «выгорание» и не заменяет разговор руководителя с сотрудником. Она подсвечивает паттерн в текстовых данных, который совпадает с описанным в исследованиях механизмом лингвистической диссоциации. Дальше — работа человека: поговорить, разобраться, изменить то, что можно изменить.

Здесь начинается зона, в которой технологическая возможность сталкивается с этической ответственностью. И именно здесь решается, станет ли лингвистическая аналитика инструментом заботы о людях или инструментом слежки.

Обзор Passive AI Detection of Stress and Burnout Among Frontline Workers (2025), опубликованный в рецензируемом журнале, формулирует принцип прямо: организации должны использовать «анонимизированные агрегированные сигналы, а не индивидуальные флаги». Данные о паттернах речи — это инструмент для диагностики команды, отдела, направления. Не для составления профиля на конкретного сотрудника.

Корректный формат выглядит так: «В отделе продаж за последние два месяца лексическая вариативность снизилась на 18%, доля безличных конструкций выросла вдвое. Стоит разобраться в причинах». Некорректный формат: «Иванов демонстрирует признаки выгорания — повод для разговора с непосредственным руководителем».

Разница между этими двумя подходами — не юридическая формальность. Это вопрос доверия. Исследования показывают, что лишь 42% сотрудников выражают высокое доверие к AI-системам, связанным с оценкой их состояния, а более 60% опасаются, что данные будут использованы для слежки. Если аналитика воспринимается как система контроля, сотрудники начинают адаптировать поведение — и сигнал теряет диагностическую ценность. Инструмент, который должен помогать, начинает вредить.

Для российского контекста этический вопрос ещё острее. Культура «прослушки» звонков в контакт-центрах давно ассоциируется с контролем и наказанием, а не с поддержкой. Любой HR-инструмент, основанный на анализе речи, неизбежно воспринимается через эту призму. Поэтому принцип агрегации — не просто рекомендация. Это условие, без которого технология не работает.

Лингвистическая аналитика не заменяет ни одного из инструментов, которые уже есть в арсенале HR. Она добавляет один слой — опережающий индикатор, которого раньше не было. Опросники вовлечённости фиксируют то, что сотрудник готов сообщить осознанно. Лингвистические маркеры фиксируют то, что человек не контролирует, — а значит, не может фильтровать.

Это не значит, что нужно бросаться строить систему мониторинга каждого слова. Это значит, что данные, которые компания уже собирает — записи звонков, тексты консультаций, переписки с клиентами, — содержат информацию, которую раньше никто не извлекал. И эта информация может дополнить картину, которую дают традиционные методы.

Сотрудник начинает говорить «они» вместо «мы» за несколько недель до того, как примет решение об уходе. Лексическое разнообразие его речи снижается до того, как он перестанет выполнять KPI. Формулировки становятся шаблонными до того, как упадёт NPS его клиентов. Каждая из этих точек — не диагноз. Вместе они образуют паттерн, который даёт руководителю время на реакцию. Не гарантию, что сотрудника удастся удержать, — но возможность попробовать до того, как решение станет необратимым.

«Мы» нельзя вернуть приказом. Местоимения отражают ощущение принадлежности, а не словарный запас. «Мы» возвращается, когда меняется контекст — нагрузка, задачи, отношение руководителя, ощущение осмысленности работы. Аналитика показывает, где этот контекст начал меняться. Что с этим делать — решает человек.

Если вы хотите увидеть, как речевые паттерны вашей команды выглядят в данных — какие формулировки используют сотрудники и есть ли в них динамика, — можно начать с аудита выборки разговоров. Мы покажем, что видно по тексту, и вместе разберём, какие выводы из этого следуют.