psihologijadela delovna učinkovitost,metode,moderna tehnologija,organizacijsko okolje,prihodnost,Psihologija dela

Človeški digitalni dvojček: metoda za razvoj zaposlenih

Sodobne metode zbiranja podatkov nam omogočajo uporabo teh za večje ugodje, boljšo produktivnost in učinkovitost na delovnem mestu. Človeški digitalni dvojček je metoda, s katero lahko dosežemo ravno to. Preberite si več o tej metodi.

Avtor: Ajra Poljak

Digitalni dvojček (DT) je virtualna reprezentacija kateregakoli resničnega fizičnega objekta, procesa, sistema ali storitve (t. i. podvojene entitete). Gre za virtualni model, ki se periodično posodablja s podatki, zbranimi iz njegove podvojene entitete. Uporablja se za ustvarjanje simulacij, analizo delovanja in pridobivanje dragocenih vpogledov, ki jih je nato mogoče uporabiti na podvojeni entiteti (npr. Nunn, 2022; Pascual idr., 2023). Človeški digitalni dvojček (HDT) se od DT razlikuje le v podvojeni entiteti – pri HDT je podvojena entiteta človek.

Temelj HDT je njegova sposobnost združevanja raznolikih in večmodalnih podatkov v enotno, neprestano razvijajočo se predstavitev posameznika in njegovega stanja. HDT nastane tako, da se najprej zberejo podatki iz različnih virov, kot so kamere, senzorji, nosljive naprave, vprašalniki osebnosti, video dnevniki itd., nato pa se ti podatki uporabijo za izdelavo digitalnega modela

HDT analizira podatke, napoveduje stanje posameznika in usmerja ukrepe, prilagojene posamezniku oziroma podvojeni entiteti (Davila-Gonzalez in Martin, 2024). To ne zagotavlja le fizične dobrobiti zaposlenih, temveč obravnava tudi morebitne duševne in čustvene izzive, s čimer se ustvarja okolje, v katerem je dobrobit zaposlenega ključnega pomena (Davila-Gonzalez in Martin, 2024).

Kako lahko metodo uporabimo?

Človeški digitalni dvojček ne reproducira le zunanjih vidikov (npr. fizičnih in fizioloških značilnosti človeka), temveč tudi notranje lastnosti, kot so osebnost, kognicija in spretnosti (Wang idr., 2024). Zato je možnosti za uporabo te metode nešteto. V nadaljevanju je nekaj idej o možnosti uporabe metode:

  • Analiza potreb po usposabljanjih in izobraževanjih, skrb za bazen talentov, sistem nasledstva in karierni razvoj. Na podlagi kariernih izkušenj, opravljenih usposabljanj, razvoja in dosežkov posameznika lahko HDT ponudi napoved posameznikove karierne poti, uspešnosti, morebitne fluktuacije in potrebne organizacijske podpore.
  • Izbira ustreznega, personaliziranega usposabljanja. HDT omogoča osebni in profesionalni razvoj zaposlenih z individualno prilagojenim programom usposabljanja in izobraževanja.
  • Stres. Na podlagi podatkov o življenjskem slogu, socialnih interakcijah ter fizioloških in psiholoških značilnostih lahko HDT izdela model stresa.
  • Zdravje zaposlenih. HDT omogoča zbiranje fizioloških podatkov, stalno spremljanje zdravstvenega stanja posameznika in s tem boljše napovedovanje morebitnih tveganj za razvoj bolezni ali diagnoz. Tako zagotavlja hitrejše in prilagojene intervence oziroma medicinske odzive.
  • Varnost pri delu. HDT lahko z uporabo GPS naprav na pametnih urah ali telefonih spremlja lokacijo in gibanje zaposlenih. S tem se zagotovi upoštevanje varnostnih standardov, predvsem na območjih z visokim tveganjem. Zagotovljeno je tudi hitro lociranje zaposlenega in s tem hitrejše ukrepanje v primeru nesreče.
  • Izboljšanje klime in odnosov. Na podlagi zbranih podatkov se lahko oblikujejo potrebne intervence, kot so delavnice o konstruktivni komunikaciji, podajanju povratne informacije, razumevanju in ustreznem izražanju čustev ali treningi socialnih veščin in asertivne komunikacije.

Komu pa je metoda namenjena?

Tako kot pri namenu uporabe je tudi pri ciljni populaciji za uporabo HDT nešteto možnosti. Najbolj pa se je uveljavila na področju industrije, medicine in športa.

  • Delavci v proizvodnji industriji. Zbira se podatke i znanju in veščinah ter fizične in kognitivne podatke, s katerimi se lahko oceni intenzivnost delovne obremenitve in ugotavljanje mšične utrujenosti za izboljšanje produktivnosti in dobrobiti zaposlenih.
  • Zdravniki in medicinske sestre. V uproabi so napovedni sistemi za zmanjševanje igorelosti, tako se omogoči pravočasno in ciljno usmerjeno ukrepanje.
  • Športniki. Na podlagi podatkov se lahko optimizira prehrano, hidracijo, vadbene programe in treninge. s podatki o telesni pripravljenosti, času vadbe, kakovosti spanja in prehrani se lahko tudi napove športne dosežke.

Prednosti in omejitve

Prednosti:

  • HDT omogoča spremljanje posameznika v realnem času,
  • Nenehna analiza v realnem času odraža posameznikovo stanje, predvideva spremembe in zazna morebitne težave, še preden postanejo kritične.
  • Velika količina podatkov omogoča načrtovanje in preizkušanje novih procesov in prilagoditev v virtualnem okolju, kar zniža časovne in finančne stroške.

Omejitve:

  • Etika: pojavljajo se nejasnosti glede informirane privolitve ter pomisleki glede diskriminacije,
  • Pravni vidiki: pojavljajo se vprašanja o tem,kdo je lastnik podatkov in kdo ima pravico do njihove uporabe ter nadzora nad njimi,
  • Zloraba HDT tehnologije: nadzor s strani držav ali korporacij, manipulacija s strani političnih akterjev ali komercialno trženje,
  • Kibernetska (ne)varnost: kibernetske grožnje so vse pogostejše, zato bi kraj podatkov lahko povzročila resne posledice tako za posameznike kot za organizacije.

Zakaj razmisliti o uporabi človeškega digitalnega dvojčka?

Človeški digitalni dvojček kot metoda za razvoj zaposlenih predstavlja odlično priložnost za razvoj vsakega zaposlenega. Vendar pa »z veliko močjo pride tudi velika odgovornost«. Če želite izvedeti več o te metodi, preberite priloženo seminarsko nalogo.

Človeški digitalni dvojček_PoljakDownload

Reference

Attaran, M. in Celik, B. G. (2023). Digital Twin: Benefits, use cases, challenges, and opportunities. Decision Analytics Journal, 6, 100165. https://doi.org/10.1016/j.dajour.2023.100165 

Balaji, B., Shahab, M. A., Srinivasan, B. in Srinivasan, R. (2023). ACT-R based human digital twin to enhance operators’ performance in process industries. Frontiers in Human Neuroscience, 17, 1038060. https://doi.org/10.3389/fnhum.2023.1038060 

Business Insights Institute (21. 9. 2023).Human digital twin for leaders. https://www.businessinsights.unsw.edu.au/human-digital-twin-leaders

Davila-Gonzalez, S. in Martin, S. (2024). Human Digital Twin in Industry 5.0: A Holistic Approach to Worker Safety and Well-Being through Advanced AI and Emotional Analytics. Sensors, 24(2), 655. https://doi.org/10.3390/s24020655 

De Kerckhove, D. (2021). The personal digital twin, ethical considerations. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 379(2207), 20200367. https://doi.org/10.1098/rsta.2020.0367 

Ferdousi, R., Hossain, M. A. in El Saddik, A. (2021). IoT-enabled model for Digital Twin Of Mental Stress (DTMS). 2021 IEEE Globecom Workshops (GC Wkshps), 1–6. https://doi.org/10.1109/GCWkshps52748.2021.9681996 

Gaffinet, B., Al Haj Ali, J., Naudet, Y. in Panetto, H. (2025). Human Digital Twins: A systematic literature review and concept disambiguation for industry 5.0. Computers in Industry, 166, 104230. https://doi.org/10.1016/j.compind.2024.104230 

Graessler, I. in Poehler, A. (2017). Integration of a digital twin as human representation in a scheduling procedure of a cyber-physical production system. 2017 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM), 289–293. https://doi.org/10.1109/IEEM.2017.8289898 

Greco, A., Caterino, M., Fera, M. in Gerbino, S. (2020). Digital Twin for Monitoring Ergonomics during Manufacturing Production. Applied Sciences, 10(21), 7758. https://doi.org/10.3390/app10217758 

He, Q., Li, L., Li, D., Peng, T., Zhang, X., Cai, Y., Zhang, X. in Tang, R. (2024). From Digital Human Modeling to Human Digital Twin: Framework and Perspectives in Human Factors. Chinese Journal of Mechanical Engineering, 37(1), 9. https://doi.org/10.1186/s10033-024-00998-7 

Lin, Y., Chen, L., Ali, A., Nugent, C., Cleland, I., Li, R., Ding, J. in Ning, H. (2024). Human digital twin: A survey. Journal of Cloud Computing, 13(1), 131. https://doi.org/10.1186/s13677-024-00691-z 

Miller, M. E. in Spatz, E. (2022). A unified view of a human digital twin. Human-Intelligent Systems Integration, 4(1–2), 23–33. https://doi.org/10.1007/s42454-022-00041-x 

Nunn,  J. (31. 5. 2022). How digital twins in HR can help predict problems and lead to organizational change. Forbes. https://www.forbes.com/councils/forbestechcouncil/2022/05/31/how-digital-twins-in-hr-can-help-predict-problems-and-lead-to-organizational-change/

Operational research society. (b. d.). Modelling Burnout: Virginia Tech Researchers Apply Digital Twin Systems to Healthcare Workforce Well-being. https://www.theorsociety.com/ORS/ORS/About-OR/News/Digital-Twin-Burnout.aspx

Pan, R., Sun, H., Chen, X., Pedrielli, G. in Huang, J. (2025). Human Digital Twin: Data, Models, Applications, and Challenges (Različica 1). arXiv. https://doi.org/10.48550/ARXIV.2508.13138 

Pascual, H., Bruin, X. M., Alonso, A. in Cerdà, J. (2023). A Systematic Review on Human Modeling: Digging into Human Digital Twin Implementations (Različica 1). arXiv. https://doi.org/10.48550/ARXIV.2302.03593 

Wang, B., Zhou, H., Li, X., Yang, G., Zheng, P., Song, C., Yuan, Y., Wuest, T., Yang, H. in Wang, L. (2024). Human Digital Twin in the context of Industry 5.0. Robotics and Computer-Integrated Manufacturing, 85, 102626. https://doi.org/10.1016/j.rcim.2023.102626 

Vabljeni, da vpišete svoj elektronski naslov in se naročite na naše objave. Tako boste vedno obveščeni, ko bomo objavili nov prispevek.

Vaši podatki bodo obdelani v skladu z veljavno zakonodajo o varstvu osebnih podatkov (GDPR).