Digital health, gender and health equity: invisible imperatives
Notice bibliographique
Résumé
A growing body of evidence shows the use of digital technologies in health-referred to as eHealth, mHealth or 'digital health'-is improving and saving lives in low- and middle-income countries. Despite this prevalent and persistent narrative, very few studies examine its effects on health equity, gender and power dynamics. This journal supplement addresses these invisible imperatives by going beyond traditional measures of coverage, efficacy and cost-effectiveness associated with digital health interventions, to unpack different experiences of health workers and beneficiaries. The collection of papers presents findings from a cohort of implementation research projects in Africa, Asia, Latin America and the Middle East, and two commentaries offer observations from learning-oriented evaluative activities across the entire cohort. The story emerging from this cohort is comprised of three themes: (i) digital health can positively influence health equity; (ii) gender and power analyses are essential; and (iii) digital health can be used to strengthen upward and downward accountability. These findings, at the individual project level and at the level of the cohort, provide encouraging recommendations on how to approach the design, implementation and evaluation of digital health interventions to address the Sustainable Development Goals agenda of leaving no one behind.
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 | 0,026 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,050 |
| Communication savante | 0,017 | 0,023 |
| Science ouverte | 0,002 | 0,017 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 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 ».