Improving hospital care: are learning organizations the answer?
Notice bibliographique
Résumé
PURPOSE: Hospital leaders are being challenged to become more consumer-oriented, more interprofessional in their approach to care and more focused on outcome measures and continuous quality improvement. The concept of the learning organization could provide the conceptual framework necessary for understanding and addressing these various challenges in a systematic way. The paper aims to discuss these issues. DESIGN/METHODOLOGY/APPROACH: A scan of the literature reveals that this concept has been applied to hospitals and other health care institutions, but it is not known to what extent this concept has been linked to hospitals and with what outcomes. To bridge this gap, the question of whether learning organizations are the answer to improving hospital care needs to be considered. Hospitals are knowledge-intensive organizations in that there is a need for constant updating of the best available evidence and the latest medical techniques. It is widely acknowledged that learning may become the only sustainable competitive advantage for organizations, including hospitals. FINDINGS: With the increased demand for accountability for quality care, fiscal responsibility and positive patient outcomes, exploring hospitals as learning organizations is timely and highly relevant to senior hospital administrators responsible for integrating best practices, interprofessional care and quality improvement as a primary means of achieving these outcomes. ORIGINALITY/VALUE: To date, there is a dearth of research on hospitals as learning organizations as it relates to improving hospital care.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,082 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,014 |
| Communication savante | 0,015 | 0,020 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».