Nursing Job Stability in Ontario: Comparing Long-Term-Care Homes with Other Health Care Sectors
Bibliographic record
Abstract
L’affirmation selon laquelle les foyers de soins de longue durée (FSLD) auraient connu un roulement élevé reflétant l’insatisfaction du personnel était très répandue pendant la pandémie de covid-19. À partir du recensement des infirmières et infirmiers autorisés (IA) et des infirmières et infirmiers auxiliaires autorisés (IAA) de l’Ontario entre 2014 et 2020, nous comparons les FSLD à d’autres secteurs des soins de santé relativement (a) aux caractéristiques du personnel et des emplois et (b) au taux de roulement des emplois (à distinguer du taux de roulement professionnel). Les IA des FSLD sont plus âgé·es, ont un niveau de scolarité inférieur et sont plus susceptibles d’avoir été formé·es à l’extérieur du Canada comparativement à la moyenne provinciale, tandis que les IAA se rapprochent davantage de cette norme. Les emplois en FSLD sont plus susceptibles d’être exercés en milieu rural et de reposer sur des contrats occasionnels et des heures irrégulières que les emplois dans la plupart des autres secteurs. Avant la pandémie, les IA des FSLD se situaient au milieu de la courbe de distribution du taux de roulement sectoriel, tandis que les IAA s’y situaient plus bas que tous les secteurs à l’exception des hôpitaux. Parmi les infirmières qui ont changé d’emploi, la rétention dans le secteur des FSLD est semblable à celle des autres secteurs. Dans l’ensemble, les indicateurs de roulement du personnel n’appuient pas l’idée que la satisfaction au travail dans les FSLD est moins élevée que dans les autres secteurs. Au cours de la première année de la pandémie, de petits changements dans le roulement du personnel ont été observés, mais il est difficile de distinguer les restrictions concernant l’occupation de plusieurs emplois, restrictions liées à la pandémie, des autres causes.
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".