On‐Demand Schedules, Worker Absenteeism and Patient Dissatisfaction in Home Care Services
Notice bibliographique
Résumé
ABSTRACT Service companies often adopt on‐demand scheduling to balance labor costs and fluctuating market demand. However, research shows that such practices can reduce worker productivity and retention. In this study, we examine how on‐demand scheduling affects two critical outcomes: worker absenteeism and patient dissatisfaction. We extend the conceptualization of undesirable scheduling by introducing schedule discontinuity —the presence of unpaid interruptions within a worker's daily schedule—alongside the more commonly studied schedule inconsistency , or variability in work hours across weeks. Using data on 1.2 million home care visits in a Canadian healthcare provider, we find that both schedule inconsistency and discontinuity significantly increase absenteeism and patient dissatisfaction. Specifically, moving from the 25th to 75th percentile in discontinuity (inconsistency) raises absenteeism by 20.00% (19.29%), and customer complaints by 27.33% (40.27%). To assess the practical implications for employers, we formulate and solve a schedule optimization problem that minimizes schedule discontinuity (or inconsistency), while satisfying demand and supply constraints. Applying a machine learning predictive model to these optimized schedules, we estimate reductions in the probability of absenteeism by 9.5% (8.2%) and in the probability of patient complaints by 7.7% (2.3%), demonstrating that modest scheduling adjustments can substantially improve worker and service outcomes.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».