Performance-based financing in low-income and middle-income countries: isn’t it time for a rethink?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper questions the view that performance-based financing (PBF) in the health sector is an effective, efficient and equitable approach to improving the performance of health systems in low-income and middle-income countries (LMICs). PBF was conceived as an open approach adapted to specific country needs, having the potential to foster system-wide reforms. However, as with many strategies and tools, there is a gap between what was planned and what is actually implemented. This paper argues that PBF as it is currently implemented in many contexts does not satisfy the promises. First, since the start of PBF implementation in LMICs, concerns have been raised on the basis of empirical evidence from different settings and disciplines that indicated the risks, cost and perverse effects. However, PBF implementation was rushed despite insufficient evidence of its effectiveness. Second, there is a lack of domestic ownership of PBF. Considering the amounts of time and money it now absorbs, and the lack of evidence of effectiveness and efficiency, PBF can be characterised as a donor fad. Third, by presenting itself as a comprehensive approach that makes it possible to address all aspects of the health system in any context, PBF monopolises attention and focuses policy dialogue on the short-term results of PBF programmes while diverting attention and resources from broader processes of change and necessary reforms. Too little care is given to system-wide and long-term effects, so that PBF can actually damage health services and systems. This paper ends by proposing entry points for alternative approaches.
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.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle