Évaluation de l’application du modèle synergique en hématologie pour améliorer la prestation des soins et l’environnement de travail
Bibliographic record
Abstract
Une unité d’hématologie a mis sur pied un projet pilote pour évaluer les effets du modèle synergique (Curley, 1998) sur la prestation des soins aux patients et la pratique professionnelle. Selon ce modèle, le jumelage des infirmières et des patients dépend de la compétence des premières et des caractéristiques des seconds; l’acuité des soins se voit aussi attribuer une note, ce qui permet d’ajuster les affectations. Cette façon de faire donne lieu à de « meilleures correspondances » : 87 % des infirmières ont affirmé que leurs compétences convenaient bien à l’acuité des soins des patients dont elles avaient la charge, comparativement à 48 % avant la mise en place du modèle. L’amélioration touche également la satisfaction par rapport au soutien des infirmières novices, la participation aux affections, la charge de travail et l’engagement. On a, en outre, observé une diminution des incidents liés à la sécurité et une réduction des heures supplémentaires. Le modèle synergique se révèle un cadre prometteur pour optimiser l’environnement de travail et parfaire la prestation des soins pour d’autres populations de patients aux caractéristiques analogues.
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 | 0.011 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".