Organizational Factors Contributing to Incivility at an Academic Medical Center and Systems-Based Solutions: A Qualitative Study
Notice bibliographique
Résumé
PURPOSE: A rise in incivility has been documented in medicine, with implications for patient care, organizational effectiveness, and costs. This study explored organizational factors that may contribute to incivility at one academic medical center and potential systems-level solutions to combat it. METHOD: The authors completed semistructured individual interviews with full-time faculty members of the Department of Medicine (DOM) at the University of Toronto Faculty of Medicine, Toronto, Ontario, Canada, with clinical appointments at six affiliated hospitals, between June and September 2016. They asked about participants' experiences with incivility, potential contributing factors, and possible solutions. Two analysts independently coded a portion of the transcripts until a framework was developed with excellent agreement within the research team, as signified by the Kappa coefficient. A single coder completed analysis of the remaining transcripts. RESULTS: Forty-nine interviews with physicians from all university ranks and academic position descriptions were completed. All participants had collegial relationships with colleagues but had observed, heard of, or been personally affected by uncivil behavior. Incivility occurred furtively, face-to-face, or online. The participants identified several organizational factors that bred incivility including physician nonemployee status in hospitals, silos within the DOM, poor leadership, a culture of silence, and the existence of power cliques. They offered many systems-level solutions to combat incivility through prevention, improved reporting, and clearer consequences. CONCLUSIONS: Existing strategies to combat incivility have focused on modifying individual behavior, but opportunities may exist to reduce incivility through a greater understanding of the role of health care organizations in shaping workplace culture.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,010 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».