Career trajectories of nurses leaving the hospital sector in Ontario, Canada (1993–2004)
Notice bibliographique
Résumé
AIM: This paper is a report of an analysis of the career trajectories of nurses 1 year after leaving hospitals. BACKGROUND: Although hospitals are traditionally the largest employers of nurses, technological advances and budgetary constraints have resulted in many countries in relative shrinkage of the hospital sector and a shift of care (and jobs) into home/community settings. It has been often assumed that nurses displaced from hospitals will move to work in the other workplaces, especially the community sector. METHOD: Employment patterns were tracked by examining a longitudinal database of all 201,463 nurses registered with the College of Nurses Ontario (Canada) between 1993 and 2004. Focusing on the employment categories Active (Working in nursing), Eligible-Seeking nursing employment or Dropout from the nursing labour market, year-to-year transition matrixes were generated by sector and sub-sector of employment, nurse type, age group and work status. FINDINGS: For every nurse practising nursing in any non-hospital job or in the community a year after leaving hospitals, an average of 1.3 and four nurses, respectively, dropped out of Ontario's labour market. The proportion of nurses leaving hospitals transitioning to the Dropout category ranged from 63.3% (1994-95) to 38.6% (2001-02). The proportion dropping out of Ontario's market was higher for Registered Practical Nurses (compared to Registered Nurses), increased with age and decreased with degree of casualization in nurses' jobs. CONCLUSION: Downsizing hospitals without attention to the potentially negative impact on the nursing workforce can lead to retention difficulties and adversely affects the overall supply of nurses.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».