Do hospital balanced scorecard measures reflect cause-effect relationships?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The purpose of this paper is to investigate whether first level measures in the Balanced Scorecard (BSC) declaring a cause-effect relationship by design are composite indices of lower measures, and if they converge into a single factor as is traditionally accepted in the BSC literature. Design/methodology/approach This study reports results of a quantitative case study that focusses on an Ontario (Canada) community hospital that has been using the BSC. Findings The results of this study challenge the cause-effect assumption of the BSC, particularly in a cascading context, and suggest that a lack of attention of how composite indices of lower measures converge into a single higher level measure may be the reason for ineffective use of the BSC. Research limitations/implications The BSC is a dynamic tool; as such there are several measures that have a very short history, thus limiting the observations available to be used in statistical models. Practical implications A key recommendation for practice that emerges from this study is the need to test if lower level metrics do merge naturally in the upper level measure of the BSC; if not, the upper level measure might not be linked to other measures rendering the BSC ineffective in the context of causality. Originality/value Although several studies have argued in favour of the cause-effect relationship of the BSC, none of those found in the literature have paid attention to the way in which first level measures are constructed. This may explain why certain measures are linked, while others are not, to those that are calculated as composite indices of several lower level indicators.
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.
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 | 0,002 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 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 découle