Analyse de l’impact des nouveaux instruments de la gestion de performance dans le domaine santé
Bibliographic record
Abstract
La présence d’un système de santé efficace et géré correctement est fondamentale pour le développement économique et social d’un pays. L’évolution positive que connaît le domaine de la santé découle de la qualité de performance du personnel à tous les niveaux. Elle est étroitement liée aux conditions de travail et d’emploi. Les agents de la santé ont une place déterminante. Ils sont l’armature des établissements médico-sociaux (EMS & CMS). Les conditions de fonctionnement et les contraintes, notamment en matière de maîtrise des coûts, ont favorisé la mise en place par les collectivités publiques et privées de nouveaux outils de gestion dont le but est notamment de permettre la maîtrise des coûts de la santé, tout en favorisant un maintien de la qualité des prestations, voir même une amélioration de la qualité. Les progrès technologiques, l’allocation des ressources, la nécessité d’une prise en charge globale des patients ont aussi engendré ces réformes. Cependant, les retombées de ces changements n’ont que très rarement été analysées. L’impact qu’elles ont généré sur les conditions de travail et la motivation des agents de la santé n’a que très faiblement été considéré. Pour pallier à ce manquement, nous avons entrepris de faire l’analyse des impacts des nouveaux instruments de la gestion de performance sur la motivation des agents de la santé. C’est pourquoi dans le cadre de cette étude, nous avons mis en exergue les facteurs motivationnels appartenant au domaine santé. Notre but a été d’analyser la satisfaction des agents de la santé. Pour la réaliser, nous nous sommes basés sur l’étude du Dr. David Giauque : « Clientcentrisme : quels impacts sur les fonctionnaires Suisses et Canadiens » présenté lors 15ème colloque International de Lille en 2006. Cette étude met en avant l’existence d’un cercle vertueux qui présente tous les facteurs motivationnels existants au sein des établissements de notoriété publique. Nous avons donc utilisé ce modèle en décidant d’y ajouter trois nouveaux facteurs : motifs affectifs, sociabilité, éthique et valeurs. Pour obtenir des résultats pertinents, nous avons fait une enquête de terrain qui s’est déroulée en plusieurs étapes : - Réalisation d’un questionnaire - Compilation des données - Interprétation des données Nous avons envoyé plus de 600 questionnaires. Nous avons reçu, en retour, plus de 291 questionnaires. Le taux de participation a été de 47%. Grâce à ce résultat, nous avons obtenu des réponses éloquentes. Elles nous ont permis de faire ressortir les facteurs motivationnels appartenant aux spécificités du domaine santé. Elles ont confirmé l’existence du cercle vertueux au sein des EMS et CMS. Et, elles ont aussi confirmé notre questionnement qui consistait à introduire une nouvelle dimension au cercle vertueux à l’aide des trois sphères suivantes : éthique et valeur, motifs affectifs et sociabilité.
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 | 0.033 | 0.094 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.004 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".