Il merit gap come determinante dell’insoddisfazione clinica: una tassonomia computazionale delle Intelligenze Etiche nel SSN attraverso un approccio Mixed-Method

Purpose: questo studio indaga la crisi di retention del personale nel Servizio Sanitario Nazionale (SSN), cercando di analizzare come la giustizia organizzativa e il «merit gap» influenzino la soddisfazione del personale sanitario. Methodology: la ricerca adotta un approccio computazionale mixed-method su un campione di 730 professionisti della sanità. La metodologia applica un algoritmo di machine learning non supervisionato (k-means clustering) per la tassonomia, uno di tipo supervisionato (random forest) per le priorità non lineari e modelli di equazioni strutturali (SEM) per la validazione. Findings: L'analisi identifica tre archetipi (ottimisti pragmatici, mission-driven, quiet quitters). Il «merit gap» emerge come determinante strutturale dell'insoddisfazione (effetto soglia), superando statisticamente la leva retributiva. Managerial implications: i risultati suggeriscono l'implementazione di un «Ethical Control System» per monitorare l’equità percepita e l’adozione di strategie di retention segmentate per archetipo. Research limitations: La natura cross-sectional dei dati limita l'osservazione dell’evoluzione temporale dei profili motivazionali. Originality: lo studio introduce il concetto di «Intelligenza Etica» applicando algoritmi di IA per decodificare la non-linearità tra incentivi etici ed economici in sanità.