Les hôpitaux magnétiques : un hôpital où il fait bon travailler en est un où il fait bon se faire soigner
Bibliographic record
Abstract
Résumé En 1983 paraît une étude américaine montrant que si les problèmes de roulement élevé du personnel infirmier étaient déjà répandus, certains hôpitaux s’en tiraient nettement mieux. Ils recrutaient et gardaient assez facilement, de là leur nom d’hôpitaux magnétiques. Pourquoi eux ? Encore aujourd’hui, la littérature évaluative est d’une grande cohérence quant aux variables critiques à la base de leur succès. Celles constituant des incitatifs non-économiques (comme la valorisation et le soutien) sont d’aussi puissants, sinon de plus puissants, « prédicteurs » de comportements que les variables jouant sur le revenu. Ces hôpitaux paient bien, mais rien de hors-normes. Ce qui est exceptionnel, c’est le milieu de travail et la satisfaction à y évoluer. Dès l’étude initiale, les auteurs notent la convergence entre les réponses des infirmières et celles de la direction, sur les éléments qui font que des hôpitaux sont magnétiques. La lecture de la réalité est similaire. Dès lors, a priori , on fait assez confiance et ne cherche pas un éventuel agenda caché. C’est une gestion par les « gestes et l’exemple ». Les traits de « bon employeur » des hôpitaux magnétiques permettent de soutenir que la réalité décrite s’applique à l’ensemble du personnel. Le personnel infirmier devient un cas traceur révélateur de l’ensemble. Ces portraits canadien, européen ou encore de sous-systèmes américains (comme l’exemple de Kaiser Permanente) montrent que des éléments systémiques jouent. Le tout n’est pas qu’affaire de gestion d’établissements isolés. Le dossier hôpitaux magnétiques ne doit pas servir à dédouaner les administrations centrales. La tentation sera toutefois forte. Prat Organ Soins 2009;40(1):39-48
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".