Les modèles de dotation en soins infirmiers dans un contexte de soins aigus
Bibliographic record
Abstract
Le système de santé québécois fait face à de grands défis de dotation en personnel infirmier, entre autres puisqu’il doit répondre à des demandes croissantes de services, tout en composant avec une diminution de la main-d’oeuvre qui dispense ces services. Les problèmes de dotation peuvent entrainer une baisse de la qualité et de la sécurité des soins offerts aux patients et une hausse des coûts pour les organisations de santé. Bien que la dotation soit une pierre angulaire de la gestion des ressources humaines, il n’y a pas encore de meilleures pratiques claires et établies pour assurer une dotation en personnel infirmier réaliste, optimale et efficiente. Plusieurs études abordent le problème de la dotation avec un angle directeur unique, omettant ainsi d’autres dimensions importantes et déterminantes de la dotation en personnel infirmier, ce qui résulte en une vision fragmentée de celle-ci. Le but de cette étude était d’identifier les modèles de dotation prévalant en personnel infirmier dans des unités de soins aigus de centres hospitaliers d’une des plus grandes régions au Québec en tenant compte simultanément des trois principales dimensions de la dotation : la quantité de personnel, la composition des équipes de soins et la stabilité des équipes de soins. Basé sur un devis quantitatif descriptif, les variables nécessaires à l’opérationnalisation des dimensions ont été collectées pour 40 unités de soins pour la période du 11 janvier 2016 au 7 mars 2016, auprès de la direction des ressources humaines des quatre centres hospitaliers étudiés. En s’appuyant sur l’approche configurationnelle, c’est à l’aide d’une analyse factorielle multiple et une classification ascendante hiérarchique que des modèles de dotation ont été identifiés. Les résultats de l’étude constituent une description des caractéristiques de dotation des unités d’hospitalisation de courte durée des centres hospitaliers. Quatre modèles de dotation en personnel infirmier qui prévalent dans les centres hospitaliers étudiés ont émergé : le modèle le moins pourvu, le modèle de base modérément pourvu, le modèle professionnel modérément pourvu et le modèle le plus pourvu. Ce portrait des modèles de dotation présente des données inédites pour la planification des effectifs infirmiers. Les résultats de l’étude fournissent des données privilégiées pour les ii gestionnaires et les décideurs en ressources humaines afin que ceux-ci puissent comparer leur modèle de dotation aux différents modèles identifiés lors de la présente étude ainsi qu’à ceux des autres unités de soins des centres hospitaliers étudiés. Par ailleurs, la présente étude, en dressant un portrait de la situation actuelle, fournit des données importantes pour optimiser la planification des effectifs infirmiers. À la connaissance de l’étudiante-chercheuse, préalablement à cette étude il n’existait aucune classification des modèles de dotation en personnel infirmier qui tenait compte de toutes les dimensions de la dotation.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".