ARE BAD JOBS INEVITABLE? A COMPARATIVE STUDY OF AGED-CARE OCCUPATIONS AND TRAINING
Notice bibliographique
Résumé
As the population ages globally, the care of older adults with chronic disease and physical and cognitive impairment will require a significantly larger and more skilled direct care workforce than currently exists. Many countries have migration policies to encourage workers to leave home and perform this important work. Others relegate the majority of the labor to vulnerable populations including women of color and immigrants. Do these jobs have to be “bad jobs” with poor compensation, few benefits and heavy workloads? This study comparatively examines the demographic composition and extrinsic characteristics of entry-level aged care jobs in select countries: U.S., Canada, United Kingdom, Australia, Denmark, Norway and China, paying particular attention to the social welfare, immigration and training policies for workers in home and community based settings. Data for this study come from country-specific interviews with the aging and employment context experts and publically available data. Findings indicate there are similarities across these countries in the increasing demand for workers in both institutional and residential settings, particularly in localities with older and more rural populations. There is wide variability across countries in training pathways for aged care workers, in the structure of these programs (i.e. from on the job to 36 month long training requirements) as well as in specific competency areas (e.g. basic healthcare skills, observations and recordings, emergency training, communication and dementia-specific care). Social welfare policies have significant impact on the extrinsic rewards of these jobs across country setting. Implications for recruitment, retention, and social policy will be discussed.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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 ».