MétaCan
Menu
Retour à la cohorte
Enregistrement W4392755628 · doi:10.33423/jabe.v26i1.6864

The Role of Intellectual Capital on Hospital Performance: Evidence at Facility-Level

2024· article· en· W4392755628 sur OpenAlexvenueno aff
Mark Chun, Michael P. Seagraves, Charla Griffy‐Brown, Doug Leigh

Notice bibliographique

RevueJournal of Applied Business and Economics · 2024
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueIntellectual Capital and Performance Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIntellectual capitalBottleneckConstruct (python library)ProductivityAffect (linguistics)BusinessCapital (architecture)Sample (material)Social capitalQuality (philosophy)Structural capitalIndividual capitalIndustrial organizationMarketingKnowledge managementHuman capitalPsychologyOperations managementFinancial capitalEconomicsEconomic growthFinanceSociologySocial scienceComputer science

Résumé

récupéré en direct d'OpenAlex

Based on the social capital theory, this study argues that intellectual capital, defined as knowledge and capabilities within the organization, significantly affect hospital performance. This study examines the impact of intellectual capital on four key hospitals’ performance metrics, i.e. quality, productivity, length of stay, and satisfaction. Using a sample of 34 hospital facilities’ operational reports to construct hospital performance and individual-level survey of 143 individuals across these 34 facilities to construct intellectual capital during 2018, this study finds that intellectual capital significantly increases employee productivity and reduces patient stay length. This study contributes to the literature by providing evidence that intellectual capital plays an important role in reducing bottleneck for hospitals to meet increasing demand in healthcare services.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,028
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,028
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,017
Tête enseignante GPT0,192
Écart entre enseignants0,175 · 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 source (Gemma direct ou Codex distillé), 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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Applied Business and EconomicsMême sujetIntellectual Capital and Performance AnalysisTravaux en français237 207