La réalisation de l'excellence en environnement par un mouvement multidisciplinaire sur le terrain
Bibliographic record
Abstract
St. Joseph's Healthcare Hamilton (SJHH) appuie une équipe verte sur le terrain, du nom d'Environmental Vision and Action (EVA). Depuis la création d'EVA, de nombreux projets environnementaux ont découlé d'un sain équilibre entre les projets de l'organisation et les initiatives sur le terrain dirigées par des leaders spontanés. Dans une période relativement courte, les réussites environnementales de SJHH ont inclus des programmes de réacheminement des déchets, des projets d'efficacité et de réduction énergétiques, de nouveaux programmes de transport, des pratiques d'achats vertes, une valorisation verte en clinique et en pharmacie et une augmentation de la participation et de la sensibilisation du personnel. La théorie des mouvements sociaux a aidé les leaders d'EVA à comprendre les processus internes d'un mouvement sur le terrain et à l'orienter. Elle peut également avoir des applications plus vastes dans le secteur de la santé, car elle peut permettre de comprendre la passion que les individus peuvent canaliser dans une cause commune et de faire évoluer des sources d'opposition en agents de changement positif. Après les premières réussites, les limites d'un mouvement sur le terrain se sont mises à émerger, et l'équipe d'EVA a ravivé le concept de programme organisationnel pour la gouvernance environnementale. Il est difficile de quantifier l'importance d'autoriser le personnel, les médecins, les bénévoles et les patients à s'engager dans des changements qui les passionnent. Cependant, au SJHH, la transformation d'un groupe de personnes insatisfaites par le rendement environnemental de l'organisation en « agents de changement » a suscité l'amélioration rapide de la gouvernance environnementale, qui est maintenant considérée comme un succès.
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 | 0.010 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.008 | 0.008 |
| Scholarly communication | 0.011 | 0.005 |
| Open science | 0.002 | 0.013 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.010 | 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".