Motivating health professionals through control mechanisms: A review of empirical evidence
Notice bibliographique
Résumé
This paper summarizes the findings of the literature on the levers used in the health care sector to motivate workers, with a particular focus on the impact of management control tools (such as Performance Measurement Systems (PMS) and Pay for Performance) on motivation. A review of the literature was carried out using the ISI Web of Knowledge, Pubmed and JSTOR search engines on the topic of motivation of health care workers, including, if possible, all the involved categories of employees. The research focused on empirical studies published in Europe, North America and Oceania from 1990 to 2015. Developing countries were intentionally excluded because of their specific needs and motivation perspectives that mainly focus on recruitment or retention strategies to ensure services provision. Studies on motivation generally focus on three main perspectives: (1) Employees’ satisfaction and emotions; (2) Retention; (3) Motivation or attitudes to carry out specific tasks or to behave appropriately. A few studies considered compensation strategies and monetary rewards as a driver of health care workers’ motivation. These studies did not report the crowding out effect of external locus of causality on motivation. On the contrary, most of the studies highlighted the importance of the relationship with patients and colleagues as a crucial factor affecting workers’ motivation, in particular referring to job satisfaction. Despite the large number of articles on the topic of employee motivation, there have been very few studies on the impact of the most popular managerial mechanisms introduced since the mid 1990s in health care systems.
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 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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».