MétaCan
Menu
Retour à la cohorte
Enregistrement W3109890421 · doi:10.1590/1413-812320202512.31712018

Desafios à Gestão do Desempenho: análise lógica de uma Política de Avaliação na Vigilância em Saúde

2020· article· pt· W3109890421 sur OpenAlexaboutno aff
Luciana Caroline Albuquerque Bezerra, Eronildo Felisberto, Juliana Martins Barbosa da Silva Costa, Cínthia Kalyne de Almeida Alves, Zulmira Hartz

Notice bibliographique

RevueCiência & Saúde Coletiva · 2020
Typearticle
Languept
DomaineHealth Professions
ThématiqueHealth, Nursing, Elderly Care
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPhysicsPolitical scienceHumanitiesPhilosophy

Résumé

récupéré en direct d'OpenAlex

Acknowledging the contributions of the assessment area in supporting the performance of health policies, is to admit it in an ongoing and permanent way in the management context. This requires a set of procedures that go beyond monitoring and evaluation practices, known as performance management. The goal of this study was to analyze the logic of the Health Surveillance (HS) Evaluation Policy of Pernambuco, comparing it with the corresponding Canadian policy. For this purpose, a qualitative study of logical analysis of the program theory was carried out, using as a tool the design of the logical model of performance management and its respective matrix of analysis and judgment with the criteria to be evaluated. In HS, 9 key-informants were interviewed, and documents were analyzed; the Canadian model was analyzed based on a paper written by Lahey (2010). Both policies analyzed by this study are convergent and have the necessary elements for performance management. While the evaluation featured largely in the Canadian model, monitoring was the driving force behind the institutionalization of assessment practices in HS. Some lessons learned in the Canadian model can be recommended, such as the development of an assessment plan, based on the strategic and decision-making level of HS.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,008
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,138
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,008
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0040,001
Communication savante0,0000,001
Science ouverte0,0030,001
Intégrité de la recherche0,0040,007
Charge utile insuffisante (le modèle a refusé de juger)0,0100,008

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 Opus0,060
Tête enseignante GPT0,373
Écart entre enseignants0,313 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
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

Citations6
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCiência & Saúde ColetivaMême sujetHealth, Nursing, Elderly CareTravaux en français237 207