Measuring Physicians’ Productivity
Notice bibliographique
Résumé
PURPOSE: To evaluate a new assessment tool measuring physicians' academic productivity and its use in a performance-based remuneration system. METHOD: The authors developed an assessment tool based on existing tools to measure productivity. Yearly, from 2008 to 2011, physicians at the University of Western Ontario received a score of up to three points for each of four components (impact, application, scholarly activity, mentorship) in each of four domains (clinical practice, education, research, administration). Scores were weighted by the percentage of time physicians spent on tasks in each domain. Year 1 scores were a baseline. In Years 2 and 3, scores were tied to remuneration. The authors compared scores and associations, accounting for age and academic rank, across the three years. RESULTS: The 37 participating physicians included 11 assistant, 23 associate, and 4 full professors. The mean weighted total baseline score across all four domains was 7.44. Years 2 and 3 scores were highly correlated with Year 1 scores (r = 0.85, Years 1 and 2; r = 0.89, Years 1 and 3). Year 2 mean weighted scores did not differ significantly from Year 1 scores. Assistant professors' scores improved significantly between Years 1 and 2 (+1.08, P < .001). Lower Year 1 scores were correlated with a greater improvement in scores between Years 1 and 2, and age was negatively correlated with score changes between Years 2 and 3. CONCLUSIONS: Although the tool may be a robust measurement of physicians' productivity, performance-based remuneration had no effect on physicians' overall performance.
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 | 0,008 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».