MétaCan
Menu
Retour à la cohorte
Enregistrement W3196313383 · doi:10.1177/08404704211033002

The relevance of the LEADS framework during the COVID-19 pandemic

2021· article· en· W3196313383 sur OpenAlexaffabout
Graham Dickson, Deanne Taylor, Elizabeth Hartney, Bill Tholl, Kelly Grimes, Ming‐Ka Chan, John Van Aerde, Tanya Horsley, Ellen Melis

Notice bibliographique

RevueHealthcare Management Forum · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensDucks Unlimited CanadaRoyal College of Physicians and Surgeons of CanadaCanadian Paediatric SocietyCanadian Cardiovascular SocietyUniversity of ManitobaInterior HealthCanadian Thoracic SocietyRoyal Roads University
Organismes subventionnairesnon disponible
Mots-clésFutures studiesContext (archaeology)Relevance (law)Coronavirus disease 2019 (COVID-19)PandemicHindsight biasHealth careAdaptation (eye)2019-20 coronavirus outbreakTracking (education)PsychologyKnowledge managementPublic relationsPolitical scienceMedicineComputer scienceCognitive psychologyArtificial intelligenceHistoryVirology

Résumé

récupéré en direct d'OpenAlex

COVID-19 has created a unique context for the practice of leadership in healthcare. Given the significant use of the LEADS in a Caring Environment capabilities framework (LEADS) in Canada's health system, it is important to document the relevancy of LEADS. The authors reviewed literature, conducted research, and reflected on their own experience to identify leadership practices during the pandemic and related them to LEADS. Findings are presented in three sections: Hindsight (before), Insight (during), and Foresight (post). We profile the issue of improving long-term Care to provide an example of how LEADS can be applied in crisis times. Our analysis suggests that while LEADS appears to specify the leadership capabilities needed, it requires adaptation to context. The vision Canada has for healthcare will dictate how LEADS will be used as a guide to leadership practice in the current context or to shape a bolder vision of healthcare's future.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,682
Score d'incertitude au seuil0,733

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,046
Tête enseignante GPT0,380
Écart entre enseignants0,335 · 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 tête enseignante, 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

Citations8
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHealthcare Management ForumMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207