Public health nutrition capacity: assuring the quality of workforce preparation for scaling up nutrition programmes
Notice bibliographique
Résumé
OBJECTIVE: To describe why and how capacity-building systems for scaling up nutrition programmes should be constructed in low- and middle-income countries (LMIC). DESIGN: Position paper with task force recommendations based on literature review and joint experience of global nutrition programmes, public health nutrition (PHN) workforce size, organization, and pre-service and in-service training. SETTING: The review is global but the recommendations are made for LMIC scaling up multisectoral nutrition programmes. SUBJECTS: The multitude of PHN workers, be they in the health, agriculture, education, social welfare, or water and sanitation sector, as well as the community workers who ensure outreach and coverage of nutrition-specific and -sensitive interventions. RESULTS: Overnutrition and undernutrition problems affect at least half of the global population, especially those in LMIC. Programme guidance exists for undernutrition and overnutrition, and priority for scaling up multisectoral programmes for tackling undernutrition in LMIC is growing. Guidance on how to organize and scale up such programmes is scarce however, and estimates of existing PHN workforce numbers - although poor - suggest they are also inadequate. Pre-service nutrition training for a PHN workforce is mostly clinical and/or food science oriented and in-service nutrition training is largely restricted to infant and young child nutrition. CONCLUSIONS: Unless increased priority and funding is given to building capacity for scaling up nutrition programmes in LMIC, maternal and child undernutrition rates are likely to remain high and nutrition-related non-communicable diseases to escalate. A hybrid distance learning model for PHN workforce managers' in-service training is urgently needed in LMIC.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».