Effective Strategies for Global Health Training Programs A Systematic Review of Training Outcomes in Low and Middle Income Countries
Notice bibliographique
Résumé
<p><strong>INTRODUCTION: </strong>Low and middle-income countries face a continued burden of chronic illness and non-communicable diseases while continuing to show very low health worker utilization. With limited numbers of medical schools and a workforce shortage the poor health outcomes seen in many low and middle income countries are compounded by a lack of within country medical training.</p><p><strong>METHODS: </strong>Using a systematic approach, this paper reviews the existing literature on training outcomes in low and middle-income countries in order to identify effective strategies for implementation in the developing world. This review examined training provided by high-income countries to low- and middle-income countries.</p><p><strong>RESULTS: </strong>Based on article eligibility, 24 articles were found to meet criteria. Training methods found include workshops, e-learning modules, hands-on skills training, group discussion, video sessions, and role-plays. Of the studies with statistically significant results training times varied from one day to three years. Studies using both face-to-face and video found statistically significant results.</p><p><strong>DISCUSSION:</strong> Based on the results of this review, health professionals from high-income countries should be encouraged to travel to low- middle-income countries to assist with providing training to health providers in those countries.</p>
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 | 0,018 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».