Developing a community-centred malaria early warning system based on indigenous knowledge: Gwanda District, Zimbabwe
Notice bibliographique
Résumé
Malaria continues to be a major public health problem in Sub-Saharan Africa despite efforts that have been made to prevent and control the disease for many decades. The knowledge on prediction and occurrence of the disease that communities acquired over the years has not been seriously considered in control programmes. This article reports on studies that aimed to integrate indigenous knowledge systems (IKS) on malaria into the malaria control programme in Gwanda District, Zimbabwe. The studies were conducted over a 3-year period. Data were collected using participatory rural appraisals, key informant interviews, household interviews and workshops in three wards (11, 15 and 18) with the highest malaria incidence in Gwanda District. Disease livelihoods calendars produced by the community showed their knowledge on the relationship between malaria, temperature and rainfall, and thus an understanding of malaria as a hazard. Volunteer IKS experts willing to record the indigenous environmental indicators for the occurrence of malaria in the study area were identified by the communities. Indigenous environmental indicators for the occurrence of malaria were classified as insects, plant phenology, animals, weather and cosmological indicators. Plant phenology was emphasised more than the other indicators. A community-based malaria early warning system model was developed using the identified IKS indicators in two of the wards using the ward health team as an entry point to the health system. In the model, data on indicators were collected at the village level by IKS experts, analysed at ward level by IKS experts and health workers and relayed to the district health team.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».