La relation entre le pouvoir d’expertise des professionnels et l’intention de quitter dans les équipes de travail du milieu de la santé
Bibliographic record
Abstract
Au Québec quelques problématiques se posent dans le milieu de la santé. Celle de la pénurie de main-d’oeuvre devient de plus en plus importante. Des dimensions démographiques, économiques et humaines y sont associées tels que les coûts élevés de roulement de personnel. Cette situation crée ainsi un défi supplémentaire pour les employeurs : la rétention de leur personnel. Pour y parvenir, une piste est de connaître ce qui pourrait être lié à leur intention de quitter. Le personnel du milieu de la santé est très souvent regroupé dans des équipes de travail. Ces équipes comprennent notamment des professionnels qui se réfèrent à leur expertise afin de mener à bien les tâches à accomplir. Cette expertise leur confère un pouvoir, qui selon son utilisation peut avoir différents impacts sur les membres de leur équipe. Aussi, le but de cette étude est de vérifier la relation entre l’utilisation du pouvoir d’expertise des professionnels au sein des équipes de travail du milieu de la santé et l’un de ces impacts potentiels, l’intention de quitter des membres de l’équipe. De plus, puisque la documentation le suggère, les catégories de professionnels seront différenciées pour connaître lesquels ont davantage l’intention de quitter. Dans cette étude, 431 travailleurs faisant partie d’équipes de travail comprenant des professionnels et oeuvrant dans le milieu de la santé ont été recrutés dans différents établissements de santé et ordres professionnels du Québec et ont répondu aux deux questionnaires de recherche, l’un pour la variable intention de quitter et l’autre pour l’utilisation du pouvoir d’expertise. Dans un premier temps, une analyse par composante principale menée sur les données du nouveau questionnaire d’utilisation du pouvoir d’expertise révèle sept composantes: reconnaissance individuelle de la valeur de l’expertise, attitude communicative, expression de son expertise, contrôle de l’expertise, respect de l’expertise de l’autre, reconnaissance de l’expertise par les membres de l’équipe, partage de l’information et de l’expertise avec l’équipe. Par la suite, les analyses corrélationnelles présentent des relations significatives entre cinq des sept composantes d’utilisation du pouvoir d’expertise et les intentions de quitter des participants à cette étude : la reconnaissance de l’expertise par les membres de l’équipe, le respect de l’expertise de l’autre, l’expression de son expertise, l’attitude communicative et le contrôle de l’expertise. Par ailleurs, des différences sont ressorties entre les groupes de professionnels sur la relation entre les composantes de l’utilisation du pouvoir d’expertise et l’intention de quitter, démontrant une certaine diversité des perceptions du travail entre eux. Cette étude soumet une première opérationnalisation de l’utilisation du pouvoir d’expertise, mais surtout, fait valoir son impact sur l’intention de quitter du personnel du milieu de la santé. Les organisations peuvent donc envisager de considérer ces composantes dans leur formation ou dans le soutien aux professionnels dans l’exercice de leur fonction au sein de leur équipe.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".