Mobile-based blended learning for capacity building of health providers in rural Afghanistan
Notice bibliographique
Résumé
BACKGROUND: Mobile-based blended learning initiative was launched in November 2014 in Badakshan province of Afghanistan by Tech4Life Enterprises, Aga Khan Health Service, Afghanistan (AKHS, A), and the University of Calgary, Canada. The goal of this initiative was to improve knowledge of health providers related to four major mental health problems, namely depression, psychosis, post-traumatic stress disorder (PTSD) and drug abuse. METHODS: This paper presents the results of quasi-experimental study conducted in 4 intervention districts in Badakshan for improvement in the knowledge among health providers about depression. The results were compared with three control districts for the change in knowledge scores. RESULTS: Sixty-two health providers completed pre and post module questionnaires from case district, while 31 health providers did so from the control sites. Significant change was noticed in the case districts, where overall knowledge scores changed from 45% in pre-intervention test to 63% in post-intervention test. Overall background knowledge of pre to post module test scores changed from 30% to 40%, knowledge of symptoms showed correct responses raised from 25% to 44%, knowledge related to causes of depression from overall districts showed change from 22% to 51%, and treatment knowledge of depression improved from 29% to 35%. Average gain in scores among cases was 16.06, compared to 6.8 in controls. CONCLUSIONS: The study confirms that a blended Learning approach with multiple learning techniques for health providers in Badakshan, Afghanistan, enhanced their knowledge and offers an effective solution to overcome challenges in continuing education. Further research is needed to confirm that the gains in knowledge reported here translate into better practice and improved mental health.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».