Analysis of Developmental Level of Counties of Fars in Terms of Health Infrastructure Indicators Using Standardized Scores Pattern Approach and Factor Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: It is necessary for planning in order to achieve optimal development, to have knowledge and understanding of the current situation. This identification requires separate areas of study into planning and assessing regions of each area with development indicators and analysis and ranking each area in terms of having gifts of development. The study also aims to analyze the development level of counties of Fars in terms of health infrastructure indicators using standardized scores pattern and factor analysis. METHODS: This is a descriptive and applied study, which has discussed the levels of 29 counties of Fars based on 10 health selected indicators using a standardized scoring model. Data were collected using a data collection form developed by the researchers through the Center of Statistics and Shiraz University of Medical Sciences. Results were analyzed using Excel and SPSS 19. RESULTS: Based on calculations according to standardized score and factor analysis methods, Shiraz and Rostam had the most and the least level between the other cities, respectively. Also development coefficient and operating score of the studied counties ranged from a maximum of 0.894 to a minimum of -0.941, and a maximum of 3.861 to a minimum of 2.001, respectively. DISCUSSION: There are relatively large differences between different counties in healthcare sector, and most studied counties in terms of healthcare sector indicators are not satisfactory. So planning how to allocate healthcare resources from policy makers to improve the studied counties is essential.
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.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle