Not Suitable for Work nasce da un’idea e da un’esigenza che si sono evolute in questi ultimi due anni, vivendo in prima persona il confine (spesso sottile) tra studio, carriera e del lavoro. Il mio obiettivo non è etichettare o analizzare i dati per il gusto di farlo, ma usare la tecnologia come uno strumento concreto di prevenzione e consapevolezza, per intercettare il disagio prima che diventi insostenibile. Per dare basi solide alla ricerca sul campo, ho scelto di applicare uno strumento scientificamente validato: il Maslach Burnout Inventory (MBI). Attraverso una survey mirata, ho raccolto dati psicometrici insieme a variabili anagrafiche e contestuali per profilare e comprendere a fondo il campione. Dal punto di vista dell'analisi, ho strutturato un approccio ispirato al Machine Learning e alla modellazione predittiva. Traducendo le risposte qualitative in pesi quantitativi strutturati (su un campione di circa 100 rispondenti ), l'obiettivo è stato istruire un modello capace di riconoscere i pattern nascosti nei dati. In questo modo, l'algoritmo non si limita a fotografare la situazione, ma restituisce un indice sintetico e predittivo del rischio di burnout, trasformando i dati in un campanello d'allarme utile a migliorare i contesti in cui viviamo e lavoriamo ogni giorno. E la parte più stimolante? L'idea principale che ho in mente, sarà di testarlo dal vivo: durante l'incontro vorrei far vedere il modello azionarsi in diretta, calcolando in tempo reale il livello di pericolo di burnout basandosi proprio sulle risposte del pubblico presente in sala.