EFFECTS OF HUMAN RESOURCE MANAGEMENT PRACTICES ON EMPLOYEE RETENTION IN PRIVATE HOSPITALS IN KIAMBU COUNTY, KENYA
Notice bibliographique
Résumé
Purpose: The general objective of the study was to establish the human resource practices affecting employee retention in selected private hospitals in Kiambu County, Kenya. The specific objectives were: to examine the influence of career development, work life balance, work environment and compensation strategies on retention of employees in selected private hospitals in Kiambu. Methodology: Descriptive survey was employed. The study focused on the level 3 and 4 private hospitals, which are 7 within the County. This study targeted 340 employees of level 3 and 4 private hospitals in Kiambu County. The study used purposive sampling and sampled medical workers of the private hospitals in Kiambu County who were 120. The medical workers who included the doctors, nurses and clinical officers were sampled since they have knowledge on human resource practices and employee retention at the private hospitals. Findings: Findings displayed that 89 of the questionnaires we filled properly and returned. The results showed that career development, work life balance, compensation strategies and work environment had a positive and significant effect on employee retention in private hospitals. Unique Contribution to Practice and Policy: Private hospitals that do not have a coaching and mentorship programs for their employees should ensure they introduce them since they enhance employee retention. The investigation also endorses that the private hospitals should inspire active cooperation across different parts of the organization. They should also ensure that there is a career path of staffs in their firm. Since career growth and development are an integral part of every individual's career; more opportunities should be created for employees of private hospitals. In addition, private hospitals should have a clear work schedule for their employees. In addition, private hospitals should ensure they have enough leave days for their workers.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».