Notice bibliographique
Résumé
There is currently a worldwide shortage of registered nurses due in part to the profession being unable to retain nurses in a variety of specialty areas. The nurse shortage, however, is not a new phenomenon. A range of policies have been implemented throughout the last thirty years to increase the retention of this group, especially in the United Kingdom, the United States, Canada and Australia. A key policy in this regard has been the transfer of nurse education from hospitals to universities. In this paper we examine the effect of training on the employment behaviour of registered nurses in Australia. Using a unique dataset, this paper identifies the determinants of nurse retention within the health care sector in Australia's largest state, New South Wales, during the period from 1986 to 2002. A variety of duration models are estimated, using a 'single-spell and single-exit' hazard model, with and without unobserved heterogeneity. A variety of issues associated with the econometric analysis including censoring, appropriate methods for analyzing discrete survival time data, extensions of the basic hazard model, and data organizational issues are also discussed. Results from the duration models indicate that registered nurses trained at educational institutions in New South Wales are approximately 5.3 per cent more likely to leave the nursing profession, relative to hospital trained nurses. Other groups that exhibit a higher exit rate out of the nursing profession include male nurses, younger nurses, and those working in the private and community sectors, specialized in mental health, working in developmental disability services and in temporary employment. A number of possible reasons for the results identified in the empirical analysis are canvassed. It may be the case that the 'standardization' of nurse training, by converting it into a university degree, has increased the 'mobility of nurse qualifications' and helped to facilitate movement between the nursing market and other labour markets in NSW. In regard to policy implications, this paper does not assert that the shortage of registered nurses is best addressed by a move back to hospital-based training. Rather, the results serve to highlight the role played by training on subsequent labour market behaviour.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».