Comparing human resource planning models in dentistry: A case study using Canadian Armed Forces dental clinics
Notice bibliographique
Résumé
OBJECTIVES: To compare two methods of allocating general dentists to Canadian Armed Forces (CAF) dental detachments: a dentist-to-population ratio model and a needs-based model. METHODS: Data obtained from CAF sources were analysed to compare models. Times assigned to treatment plan procedures were used as a proxy for treatment needs. Full-time equivalents (FTEs) were used as an indicator for the number of dentists allocated to each detachment. FTE values were adjusted for military dentists to account for time spent on compulsory nonclinical duties. The paired-samples t test was used to assess differences between the models for all clinics (dental detachments) and by clinic size. RESULTS: The dentist-to-population ratio model for the CAF population (n=68 183) estimated an allocation of 83.25 FTE general dentists to CAF dental detachments. Based on a systematic sample of the CAF population (n=2226), the needs-based model estimated the requirement for 64.71 FTE general dentists. The average difference between models was 0.71 FTE (SE=0.273), which was statistically significant (P=0.015). In terms of differences by clinic size, differences were more pronounced in clinics serving more than 4000 CAF personnel (2.63 FTEs, SE=0.613, P=0.008). CONCLUSIONS: The findings reveal differences between estimation models of <1 FTE, with higher estimates produced from the dentist-to-population ratio model. A larger difference was found in clinics with larger populations. The perceived overestimation of dental human resource requirements suggests that changing to a needs-based model may result in cost savings.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».