Exploring lean generic and lean healthcare cultural clusters
Notice bibliographique
Résumé
Purpose Lean culture has been noted to be an underdeveloped concept. The purpose of this paper is to increase the understanding of Lean culture by determining its leading cultural clusters. Design/methodology/approach Content analysis was used to perform top relevant keywords exploration and qualitative analysis on main text of 33 reference books, 21 Lean generic and 12 Lean healthcare, consolidated as three cases (Lean general, Lean Liker et al . and Lean healthcare). Findings Four emergent Lean’s leading cultural clusters: operations, change, collectivity and humanity were identified inductively from ten 10 relevant keywords, namely, in order of importance: work, time, process, Lean, system, improvement, production, patient, people and team. Saliency of the word “time” is noteworthy. Cross-validation of these cultural clusters is demonstrated through sociotechnical systems theory. Research limitations/implications Content analysis is shown to be an effective research method enabling inductive analysis. Identification of four leading clusters should support productive further research on Lean culture. Practical implications The four cultural clusters indicate to healthcare and other domains managers, who wish to improve their Lean cultural transformation success rate, to focus their attention to what their organization actually does (operations), to how improvement happens (change) and to how everything (collectivity) and everyone (humanity) work together in their organization. Originality/value This work applies innovative content analysis on Lean reference books. It highlights the importance of time as an underappreciated Lean culture element. It provides evidence and additional support for link between Lean and sociotechnical systems theory.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 ».