MétaCan
Menu
Retour à la cohorte
Enregistrement W3017180890 · doi:10.1177/0020872819884987

A quality function deployment–based resource allocation approach for elderly care service: Perspective of government procurement of public service

2020· article· en· W3017180890 sur OpenAlexaff
Lan Xu, Yuting Zhang

Notice bibliographique

RevueInternational Social Work · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueQuality Function Deployment in Product Design
Établissements canadiensUniversity of Calgary
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésBusinessResource allocationService (business)Government (linguistics)ProcurementKano modelService delivery frameworkService level objectiveSoftware deploymentQuality (philosophy)Resource management (computing)MarketingResource (disambiguation)Service qualityService designComputer science

Résumé

récupéré en direct d'OpenAlex

In response to the rapidly growing demand for elderly care service in China, rational allocation of limited resources and improvement of public satisfaction have become one of the urgent problems to be solved in government procurement of elderly care services. With the aid of quality function deployment, a programming model is established to allocate resource with maximizing customer satisfaction. Taking home care service as an example, on the basis of identifying the elderly’s requirements, designing attributes, optimal allocation of limited resource is conducted based on the proposed approach. Results show that staff in the home care service center should pay more attention to improve their service attitude and service quality. Meanwhile, more resources should also be allocated to improve the specialization of the franchise center, and to increase the provision of professional medical personnel and purchase of common medicines for emergencies as well as facilities for rehabilitation. This study expands the field of elderly care service by introducing a more efficient resource-allocation approach, thus helping governments in decision-making.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,082
Tête enseignante GPT0,290
Écart entre enseignants0,209 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Social WorkMême sujetQuality Function Deployment in Product DesignTravaux en français237 207