Voluntary Separations and Workforce Planning: How Intent to Leave Public Health Agencies Manifests in Actual Departure in the United States
Notice bibliographique
Résumé
OBJECTIVES: To ascertain levels of turnover in public health staff between 2014 and 2017 due to retirement or quitting and to project levels of turnover for the whole of the state and local governmental public health in the United States nationally. DESIGN: Turnover outcomes were analyzed for 15 128 staff from public health agencies between 2014 and 2017. Determinants of turnover were assessed using a logit model, associated with actually leaving one's organization. A microsimulation model was used to project expected turnover onto the broader workforce. RESULTS: Between 2014 and 2017, 33% of staff left their agency. Half of the staff who indicated they were considering leaving in 2014 had done so by 2017, as did a quarter of the staff who had said they were not considering leaving. Staff younger than 30 years constituted 6% of the workforce but 13% of those who left (P < .001). CONCLUSIONS: Public health agencies are expected to experience turnover in 60 000 of 200 000 staff positions between 2017 and 2020. IMPLICATIONS: As much as one-third of the US public health workforce is expected to leave in the coming years. Retention efforts, especially around younger staff, must be a priority. Succession planning for those retiring is also a significant concern.
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 | 0,015 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».