OECD ÜLKELERİNİN SAĞLIK SİSTEMİ VERİMLİLİĞİNİN İNCELENMESİ
Bibliographic record
Abstract
Küresel olarak sağlık harcamaları büyük bir artış trendi içindedir. Ancak sağlık hizmetlerine ayrılan kaynaklar sınırlıdır ve bu durum sistem düzeyinde verimliliğe yönelik tedbirleri zorunlu kılmaktadır. Araştırmanın amacı, 2003 ve 2019 yıllarına ait sağlık göstergeleri ile Ekonomik İş Birliği Örgütü ve Kalkınma Örgütü (OECD) ülkelerinin sağlık sistemi verimliliğini incelemektir. Çalışmada, Türkiye’nin sağlıkta dönüşüm öncesi ve devam eden süreçte OECD ülkeleri arasındaki verimlilik düzeyinin nasıl değişim gösterdiği de gözlemlenmiştir. OECD ülkelerinin sağlık sistemi verimlilik düzeylerinin belirlenmesinde, girdi odaklı Charnes, Cooper ve Rhodes (CCR) ve Banker, Charnes ve Cooper (BCC) Veri Zarflama Analizi (VZA) kullanılmıştır. Girdi ve çıktı değişkenleri arasındaki ilişki korelasyon analizi ile test edilmiş, verimli ve verimsiz ülkelerin girdi ve çıktı değişkenleri bakımından karşılaştırmaları Mann Whitney U testi ve bağımsız örneklem t testi ile incelenmiştir. VZA sonuçlarına göre, 2003 yılında 11 ülke toplam verimli (CCR), 13 ülke teknik verimli (BCC), 11 ülke ölçek verimli, 2019 yılında 5 ülke toplam verimli, 8 ülke teknik verimli, 5 ülke ölçek verimli olarak bulunmuştur. Türkiye 2003 ve 2019 yılı verilerine göre, hem CCR hem de BCC analiz modellerinde verimli çıkmıştır.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.031 | 0.006 |
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".