Outil de diagnostic et de prévention de l'insatisfaction des employés
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Employee retention is a burning problem in home care industry.Several studies have already been looking for solutions.They identified factors that can be grouped into five categories :-employee characteristics -scheduling -job related factors -social interactions with other employees and patients -structure related factors These studies aim for a measure of satisfaction using polls and surveys.The answers are then analyzed to highlight the causes of employee churn.Our project proposes a new way of studying employee satisfaction by looking directly at employees visit schedule.A partnership with AlayaCare allowed us to have access to such data.This company from Montreal offers a platform to home care agencies to ease coordinators' workload.The main user is generally a manager or a coordinator.Through the software, one can assign employees to visits and have a better overview of the staff workload.Various information can be found in the database : the length of visits, the location, or the type of service given.The objective is to extract as many features as possible to identify important ones among them.We decided to model this problem as a classification problem.One of the biggest challenge is that no obvious measure is available to assess the satisfaction of the employees through time.The proposed solution is to try to distinguish periods before an employee left from previous ones.Therefore, we should be able to identify the variables that evolved through time and may explain why an employee left.Preprocessing and shaping the data are necessary steps before creating training sets for classification models.Different time divisions has been tried to determine which one fits best the way we modelled this problem.Several classification algorithms have been implemented :-logistic regression -tree-based models (random forests and XGBoost) -neural networks Model selection run on different hyper-parameters in order to reach optimal performances.This method is applied on 10 health care clients : 6 located in Canada, 2 in the United Stated, and 2 in Australia.Comparing the results across these companies may help to generalize the ix
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,001 |
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 découle