Recruitment and retention of remote and rural health care staff: making it work
Notice bibliographique
Résumé
Recruiting and retaining health care staff and other skilled employees is a common problem in remote and rural communities. There is no single solution to inadequate workforce supply; a whole system approach should be taken to address this complex issue. Multiple initiatives that bring incremental improvements are most likely to ensure an overall impact. Making it Work (MIW) will implement five recruitment and retention case studies, at scale, across Northern Europe and Canada, using a business model tailored to local and regional needs. This will develop previous work which sought to understand recruitment and retention issues, and which proposed a series of solutions, and a business model. MIW will apply a community focussed lens, a detailed planning process, system redesign, and will conduct a structured evaluation highlighting costs and benefits of intervention. A flexible policy framework and a practical online toolkit will be developed to allow knowledge transfer of key factors of success. This workshop will describe the results of previous work in more detail, and will outline the approach to MIW. Participants will be encouraged to share their experiences, and to consider innovative solutions to this complex issue.This abstract was presented at the Innovative Solutions in Remote Healthcare - 'Rethinking Remote' conference, 23-24 May 2016, Inverness, Scotland.
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 | 0,028 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,012 | 0,005 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».