Bibliographic record
Abstract
RÉSUMÉ La restructuration – l’introduction de changements qui modifient la façon dont les soins de santé sont délivrés pour optimiser l’éfficacité à moindre coût – s’ajoutant à la ruralité et aux idéologies et pratiques sexistes des milieux ruraux produit des établissements de soins longue durée dont les environnements ne sont pas sans conséquences particulières pour leur personnel féminin et pour les résidents et les communautés qu’ils desservent. Cette étude avait pour but d’évaluer dans quelle mesure la ruralité affecte la mise en place de la classification des patients dans les foyers de soins longue durée en Ontario. La méthodologie de l’étude comprenait des entretiens et des groupes de travail avec du personnel de soins longue durée directement en contact avec les patients, des administrateurs et des informateurs clés en première ligne. Les conclusions de l’étude ont montré que l’offre des soins de santé de longue durée en milieu rural a lieu lorsqu’un environnement de travail restructuré rejoint les idéologies et pratiques qui prennent des caractéristiques particulières lorsque celles-ci ont été developpées et soutenues dans un contexte rural. Ces facteurs determinent le marché du travail et les conditions de travail des femmes en milieu rural. Nous défendons que ceci produit une expérience rurale unique pour le personnel des soins longue durée, et nous concluons que ceux qui mettent en place les systèmes de classification doivent prendre en compte les facteurs contextuels tout autant que les exigences pratiques et financières.
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 | 0.001 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".