Incentives for improving human resource outcomes in health care: overview of reviews
Notice bibliographique
Résumé
OBJECTIVES: To review the effectiveness of financial and nonfinancial incentives for improving the benefits (recruitment, retention, job satisfaction, absenteeism, turnover, intent to leave) of human resource strategies in health care. METHODS: Overview of 33 reviews published from 2000 to 2012 summarized the effectiveness of incentives for improving human resource outcomes in health care (such as job satisfaction, turnover rates, recruitment, and retention) that met the inclusion criteria and were assessed by at least two research members using the Assessment of Multiple Systematic Reviews quality assessment tool. Of those, 13 reviews met the quality criteria and were included in the overview. Information was extracted on a description of the review, the incentives considered, and their impact on human resource outcomes. The information on the relationship between incentives and outcomes was assessed and synthesized. RESULTS: While financial compensation is the best-recognized approach within an incentives package, there is evidence that health care practitioners respond positively to incentives linked to the quality of the working environments including opportunities for professional development, improved work life balance, interprofessional collaboration, and professional autonomy. There is less evidence that workload factors such as job demand, restructured staffing models, re-engineered work designs, ward practices, employment status, or staff skill mix have an impact on human resource outcomes. CONCLUSIONS: Overall, evidence of effective strategies for improving outcomes is mixed. While financial incentives play a key role in enhancing outcomes, they need to be considered as only one strategy within an incentives package. There is stronger evidence that improving the work place environment and instituting mechanisms for work-life balance need to be part of an overall strategy to improve outcomes for health care practitioners.
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 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,010 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».