Geovisualization: A Newer GIS Technology for Implementation Research in Health
Notice bibliographique
Résumé
Use of GIS in public health is currently limited to tracking immunizations, disease surveillance, and establishing new service areas. The potential of GIS to improve planning, implementation and monitoring of programs and to inform policymaking processes for universal access to healthcare is grossly underutilized. Major reasons for restricted use are paid access to GIS software and difficult interpretation for non-GIS professionals. WebGIS technologies present an opportunity for non-GIS public health professionals to present complex data and findings in simpler manner. Conventional GIS methods and Geovisualization are compared and contrasted in this paper using data from the MATIND project in the Gujarat state of India. In-depth literature review on GIS techniques used in health implementation research was conducted. In this paper, MATIND data have been used for comparing conventional GIS methods with a newer web based GIS tool-Geovisualization. GIS software is more useful for analytical purposes; whereas web based geovisualization techniques are much better for visualization and easy interpretation of results by non GIS public health researchers. As the images are easy to interpret, interactive/dynamic and not much technical expertise is required to perform basic analysis, the tool is useful for policy makers and planners. Geovisualization provides a user-friendly tool for presenting large scale community based survey data. Increased use of this tool will help to present implementation research in a creative way to the program planners and policy makers. For program managers, it is a useful tool to monitor implementation and impact of a program to improve health of population.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».