Public sector health analytics capacity before and after Covid-19: A case study of manager perspectives in New Brunswick, Canada
Notice bibliographique
Résumé
Background: Demand for health data and analytics to support research, policy, and practice continues to rise, accelerated by the Covid-19 pandemic. Despite the importance of the government analytics workforce in driving academic-based data sharing and linkage platforms, little is known about how public sector managers assess capacity in health analytics. This case study describes findings from consultations among middle managers of analytics services in a Canadian provincial health ministry. Methods: Data collection involved a mixed-questions survey to gauge the functional perspective of managers on organisational and human resource analytics capacity within the New Brunswick Department of Health. The repeated cross-sectional survey was implemented in two rounds, with a baseline collected before the Covid-19 global outbreak (in 2016) and a follow-up after the pandemic emergency response (in 2022). Results: The post-pandemic period was associated with perceptions of a growing role for public service personnel in handling analytics. Recruitment and retention of skilled analytics professionals emerged as the top priority for capacity building, including needs-based planning, competitive compensation packages to address skills shortages, professional development and promotion opportunities, and tracking key performance indicators for employee satisfaction. Conclusions: Government health analytics professionals play a critical role in advancing administrative data use and re-use. Enhanced knowledge sharing is needed on best practices in supply-demand monitoring for analytics professionals and planning for human resources surge capacity in the public service, lest significant innovation potential for health system improvement be left untapped.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».