MétaCan
Menu
Retour à la cohorte
Enregistrement W7133782040 · doi:10.46254/au04.20250063

System Dynamics Modeling of Employee Turnover Among Canadian Nursing Home Workers

2025· article· W7133782040 sur OpenAlexaffabout
Hannah J Wong, Tamara Daly

Notice bibliographique

Revuenon disponible
Typearticle
Langue
DomaineDecision Sciences
ThématiqueComplex Systems and Decision Making
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésNursing homesTurnoverSystem dynamicsDynamics (music)Turnover intention

Résumé

récupéré en direct d'OpenAlex

Canada had one of the highest Covid-19 death rates worldwide in individuals living in nursing homes (NHs). In response, the province of Ontario with the largest population in Canada passed “The Fixing Long-Term Care Act” in 2021 to address long-standing issues in long-term care NHs. These issues include chronic underfunding, understaffing and poor working conditions that were compounded by increasing resident care needs. As a result, changes were made that included mandatory minimum hours of direct nursing and personal support worker (PSW) care, increased fines for NHs failing to meet standards, and an emphasis on resident rights for holistic care. Despite the Act’s passage, problems retaining and recruiting PSWs make achieving the Act’s commitments difficult. PSWs provide more than 80% of direct care to NH residents in Canada, helping with activities of daily living and providing emotional support and companionship. In Ontario, half of the PSW workforce leave the healthcare sector within 5 years and 43% left due to burnout. High PSW turnover disrupts care continuity and is associated with poorer quality of care and quality of life for residents. Contributing factors to PSW burnout include heavy workloads, systemic disrespect and underappreciation, and feelings of professional inefficacy. The Covid-19 epidemic further exposed the unaddressed need for a systemic approach to the long-standing issues that prevent better resident care and outcomes. The objective of this study was to develop a system dynamics (SD) model that could be used to help design more successful workforce-related policies to reduce PSW turnover and improve overall quality of care in NHs. We developed an SD model of PSW turnover consisting of four sectors: 1. The ministry-level sector that models the government’s policies for direct hours of care, funding, care standards, compliance and enforcement. 2. The management-level sector that models organizational workplace culture and policies for PSW scheduling, backfilling, hiring, on-the-job training and upskilling. 3. The resident-family sector that tracks the flow of residents, their care needs, and family perceptions and expectations of care delivery. 4. The PSW responses sector that models the ways PSWs deal with challenging working conditions. We used causal loop diagrams to describe the complex feedback processes that lead to PSW turnover. One such process explores staff shortages leading to overwork/fatigue exacerbated by increasing resident complexity, productivity and quality declines from hiring new PSWs and employing temporary relief workers, and pervasive disrespect for the PSW profession that locks PSWs into a vicious cycle of “learned helplessness”. Publicly reported NH data and those from the literature, PSW experiences extracted from group model building exercises, and historical home-specific data were used to build and calibrate the model for 4 NHs in Toronto, Ontario. The model is generalizable to an individual NH within and across provinces due to the similar working conditions in Canadian NHs. We discuss the results of several simulations that might reduce PSW turnover and improve care quality and their implications for governmental legislative changes and NH organizational practices and policies. We close with recommendations for policy design to reduce PSW turnover.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,161
Score d'incertitude au seuil0,324

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,058
Tête enseignante GPT0,343
Écart entre enseignants0,285 · 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'étudeSimulation ou modélisation
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
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetComplex Systems and Decision MakingTravaux en français237 207