MétaCan
Menu
Retour à la cohorte
Enregistrement W3129556853 · doi:10.1186/s12960-021-00570-7

Visualizing the drivers of an effective health workforce: a detailed, interactive logic model

2021· article· en· W3129556853 sur OpenAlex
Serena Sonderegger, Sara Bennett, Veena Sriram, Ummekulsoom Lalani, Shreya Hariyani, Timothy Roberton

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueHuman Resources for Health · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueGlobal Health Workforce Issues
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesJohns Hopkins Bloomberg School of Public HealthJohns Hopkins UniversityUniversity of ManitobaBill and Melinda Gates Foundation
Mots-clésOperationalizationWorkforceKnowledge managementConceptual modelWorkforce planningConceptual frameworkLogic modelProcess managementComputer scienceContext (archaeology)Health policyManagement scienceBusinessEngineeringMedicinePolitical sciencePublic healthSociologyNursing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: A strong health workforce is a key building block of a well-functioning health system. To achieve health systems goals, policymakers need information on what works to improve and sustain health workforce performance. Most frameworks on health workforce planning and policymaking are high-level and conceptual, and do not provide a structure for synthesizing the growing body of empirical literature on the effectiveness of strategies to strengthen human resources for health (HRH). Our aim is to create a detailed, interactive logic model to map HRH evidence and inform policy development and decision-making. METHODS: We reviewed existing conceptual frameworks and models on health workforce planning and policymaking. We included frameworks that were: (1) visual, (2) comprehensive (not concentrated on specific outcomes or strategies), and (3) designed to support decision-making. We compared and synthesized the frameworks to develop a detailed logic model and interactive evidence visualization tool. RESULTS: Ten frameworks met our inclusion criteria. The resulting logic model, available at hrhvisualizer.org , allows for visualization of high-level linkages as well as a detailed understanding of the factors that affect health workforce outcomes. HRH data and governance systems interact with the context to affect how human resource policies are formulated and implemented. These policies affect HRH processes and strategies that influence health workforce outcomes and contribute to the overarching health systems goals of clinical quality, responsiveness, efficiency, and coverage. Unlike existing conceptual frameworks, this logic model has been operationalized in a highly visual, interactive platform that can be used to map the research informing policies and illuminating their underlying mechanisms. CONCLUSIONS: The interactive logic model presented in this paper will allow for comprehensive mapping of literature around effective strategies to strengthen HRH. It can aid researchers in communicating with policymakers about the evidence behind policy questions, thus supporting the translation of evidence to policy.

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.

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)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,248
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0040,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,081
Tête enseignante GPT0,498
Écart entre enseignants0,417 · 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