Comment retenir les préposées dans les organisations gériatriques au Québec ?
Bibliographic record
Abstract
Les centres d’hébergement et de soins de longue durée (CHSLD) publics de la province du Québec (Canada) ont été durement frappés au début 2020 par la pandémie de la Covid-19. Beaucoup de préposées aux bénéficiaires, en première ligne pour fournir des soins d’assistance aux résidents, furent contaminées par le virus, ou ont décidé de quitter leur emploi. Ceci a conduit à des enjeux majeurs en termes de démissions, d’absentéisme et de remplacement notamment lors des quarantaines obligatoires. Plus globalement, la pandémie a permis de mettre en lumière l’enjeu majeur de la faible rétention des préposées en emploi durant leurs cinq premières années d’expérience. Cet enjeu ne date pas de la pandémie, mais a été largement exacerbé par celle-ci. Avant même la pandémie, près de six préposées sur dix d’une cohorte avaient quitté leur emploi cinq ans après leur intégration. De fait, nous présentons dans cet article les facteurs de politiques publiques et organisationnels qui peuvent avoir une incidence dans le choix des préposées de quitter leur emploi, en proposant des recommandations aux gestionnaires de ces établissements et aux responsables du ministère de la Santé et des services sociaux du Québec. Nous mettons plus particulièrement l’emphase sur la précarité de l’emploi (volet politiques publiques) et la fragilisation de la santé au travail des préposées liée à l’intensification de la charge de travail (volet organisationnel), qui nous semblent les deux facteurs prédominants.
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 | 0.005 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.010 | 0.004 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".