Högskolan i Skövde

Sjukfrånvaro bland kommunalt anställda inom skolor och förskolor är ett problem som påverkar både undervisningens kontinuitet och arbetsmiljön. Denna studie syftar till att undersöka om prediktiv analys kan med hjälp av maskininlärning användas för att prognostisera sjukfrånvaro hos denna yrkesgrupp. Två modeller jämförs: Random Forest och XGBoost och datasetet omfattar personal och sjukfrånvaro data från en svensk kommun under åren 2018-2020.

Studien har en kvantitativ och experimentell ansats där modellerna först tränades på data från 2018-2019 och testades på data från året 2020. Prestandan utvärderades med precision, recall, f1-score och visualisering av prediktionerna över tid. Resultaten visar att båda modellerna lyckades att identifiera individer med låg sjukfrånvaro medan XGBoost uppvisade en bättre balans och träffsäkerhet. Modellerna prioriterade olika typer av inmatningsvariabler, ålder var den viktigaste variabeln för Random Forest och föregående sjukdagar i XGBoost, vilket kan ha implikationer för hur modellerna tolkas och används. 

Slutsatsen är att prediktiv analys kan bidra till insikter om sjukfrånvaromönster men att datakvalitet, klassobalans och val av algoritm påverkar resultatens tillförlitlighet. Studien understryker också att mer forskning behövs och ett bättre dataunderlag för att skapa användbara verktyg inom kommunal HR-analys.

Sick leave among municipal employees in schools and preschools is a problem that affects both the continuity of education and the work environment. This study aims to investigate whether predictive analytics, using machine learning, can be used to forecast sick leave within this occupational group. Two models are compared: Random Forest and XGBoost, based on personnel and sick leave data from a Swedish municipality covering the years 2018–2020.

The study follows a quantitative and experimental approach, where the models were trained on data from 2018–2019 and tested on data from the year 2020. Model performance was evaluated using precision, recall, F1-score, and visualization of predictions over time. The results show that both models were able to identify individuals with low levels of sick leave, while XGBoost demonstrated better balance and predictive accuracy. The models prioritized different input variables: age was most important for Random Forest, while previous sick leave was most important for XGBoost, which may have implications for how the models are interpreted and applied.

The conclusion is that predictive analytics can contribute to insights about sick leave patterns, but that data quality, class imbalance, and choice of algorithm affect the reliability of the results. The study also highlights the need for further research and improved data foundations in order to develop useful tools for municipal HR analytics.