Analysis of Productivity Improvement Act for Clinical Staff Working in the Health System: A Qualitative Study
Notice bibliographique
Résumé
INTRODUCTION: The productivity of healthcare staff is one of the main issues for health managers. This study explores the concept of executive regulation of Productivity Improvement Act of clinical staff in health. METHODS: In this study phenomenological methodology has been employed. The data were collected through semi-structured interviews and focus group composed of 10 hospital experts and experts in human resources department working in headquarter of Mashhad University of Medical Sciences and 16 nursing managers working in public and private hospitals of Mashhad using purposive sampling. Findings were analyzed using Colaizzi's seven step method. RESULTS: The strengths of this Act included increasing spirit of hope in nurses, paying attention to quality of nursing care and decreasing problems related to the work plan development. Some of the weaknesses of Productivity Improvement Act included lack of required executive mechanisms, lack of considering nursing productivity indicator, increasing non-public hospitals problems, discrimination between employees, and removal of resting on night shifts. Suggestions were introduced to strengthen the Act such as increased organizational posts, use of a coefficient for wage in unusual work shifts and consideration of a performance indicator. CONCLUSION: The results may be used as a proper tool for long term management planning at organization level. Finally, if high quality care by health system staff is expected, in the first step, we should take care of them through proper policy making and focusing on occupational characteristics of the target group so that it does not result in discrimination among the staff.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,182 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».