Of Novices and Experts: Settling Expertise Differences Following a Hospital Merger
Notice bibliographique
Résumé
While much is known about expertise integration across different occupations, researchers have paid less attention to how expertise integration occurs when distinct groups from the same occupation need to work together. This study examines how communities of experts in a single occupation settle their practice differences and converge (or not) on common practices following a hospital merger. We conducted a two-year ethnographic study of how two neonatal intensive care units belonging to Canada's largest hospital network synchronized their care practices in a merger. Contrary to expectation, we find that novices, a group that usually has the lowest power and status in an organization, may play a pivotal role in challenging differences and enhancing an organization’s ability to improve expert practices in the context of a merger. Successfully standardizing practice may entail the enactment of rules that reflect best practices and accepted scientific evidence in the occupation's explicit body of knowledge; however, while scientific knowledge provides a foundation for settling differences, experts often push back against rules because working to them diverges from the established and tacit ways by which experts perform their work (i.e., through intuition and judgement based on experiential knowledge). Thus, managers may need a complex repertoire of interventions to facilitate practice convergence, but in the process, ironically, experts may have to regress to working according to rules, much as novices do in their quest to become an expert.
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 | 0,011 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».