Factors influencing use of a performance measurement system in a rehabilitation hospital
Notice bibliographique
Résumé
Background: Rehabilitation hospitals, like other healthcare organizations, are under increasing pressure to apply management tools such as performance measurement systems (PMSs). PMS implementation represents a major challenge as it involves significant organizational change. This study explored how a PMS was used in a rehabilitation hospital and what were the factors explaining its use.Methods: A qualitative longitudinal study was conducted. Two data sources were used: interviews with hospital directors and organizational documents. Semi-structured interviews were conducted pre-implementation (n = 7) and 10 months post-implementation (n = 7) of the PMS. A total of 111 documents produced between 2011 and 2014 were reviewed. The Consolidated Framework for Implementation Research (CFIR) was used as a conceptual framework for data collection and analysis.Results: Decision makers used the PMS mostly for monitoring and accountability purposes and also for promoting their organization’s performance and enhancing the organization’s credibility. It was rarely used to trigger change management projects. Major barriers to PMS use were the lack of planning of the implementation process, available resources and the perceived quality of the developed PMS. Major facilitators for PMS implementation were related to continuous leadership engagement, specific PMS characteristics (perceived advantages, lack of complexity), quality of communications, and a perceived need for a PMS. Some key recommendations are proposed to decision makers that may enhance PMS use.Conclusions: PMS use is influenced by multiple factors, however the positive or negative influence of each factor is context dependent. Key recommendations are proposed to decision makers that may enhance PMS use.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».