Strategies for Community Education Prior to Clinical Trial Recruitment for a Cervical Cancer Screening Intervention in Uganda
Notice bibliographique
Résumé
INTRODUCTION: Community engagement and education can improve acceptability and participation in clinical trials conducted in Kisenyi, Uganda. In preparation for a randomized controlled trial exploring different methods for cervical cancer screening, we explored optimal engagement strategies from the perspective of community members and health professionals. METHODS: We conducted key informant interviews followed by serial community forums with purposeful sampling and compared the perspectives of women in Kisenyi (N = 26) to health-care workers (HCW) at the local and tertiary care center levels (N = 61) in a participatory, iterative process. RESULTS: Key themes identified included format, content, language, message delivery, and target population. Women in Kisenyi see demonstration as a key part of an educational intervention and not solely a didactic session, whereas health professionals emphasized the biomedical content and natural history of cervical cancer. Using local language and lay leaders with locally accessible terminology was more of a priority for women in Kisenyi than clinicians. Simple language with a clear message was essential for both groups. Localization of language and reciprocal communication using demonstration between community members and HCW was a key theme. CONCLUSION: Although perceptions of the format are similar between women and HCW, the content, language, and messaging that should be incorporated in a health education strategy differ markedly. The call for lay leaders to participate in health promotion is a clear step toward transforming this cervical cancer screening project to be a fully participatory process. This is important in scaling up cervical cancer screening programs in Kisenyi and will be central in developing health education interventions for this purpose.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,337 | 0,354 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,012 | 0,004 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,007 | 0,024 |
| Intégrité de la recherche | 0,008 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,038 | 0,008 |
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 source (Gemma direct ou Codex distillé), 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 ».