Donor financing of human resources for health, 1990–2016: an examination of trends, sources of funds, and recipients
Notice bibliographique
Résumé
BACKGROUND: Skilled health professionals are a critical component of the effective delivery of lifesaving health interventions. The inadequate number of skilled health professionals in many low- and middle-income countries has been identified as a constraint to the achievement of improvements in health outcomes. In response, more international development agencies have provided funds toward broader health system initiatives and health workforce activities in particular. Nonetheless, estimates of the amount of donor funding targeting investments in human resources for health activities are few. METHODS: We utilize data from the Institute for Health Metrics and Evaluation's annual database on development assistance for health. The estimates in the database are generated using data from publicly available databases that track development assistance. To estimate development assistance for human resources for health, we use keywords to identify projects targeted toward human resource processes. We track development for human resources for health from 1990 through 2016. We categorize the types of human-resources-related projects funded and examine the availability of human resources, development assistance for human resources for health, and disease burden. RESULTS: We find that the amount of donor funding directed toward human resources for health has increased from only $34 million in 1990 to $1.5 billion in 2016 (in 2017 US dollars). Overall, $18.5 billion in 2017 US dollars was targeted toward human resources for health between 1990 and 2016. The primary regions receiving these resources were sub-Saharan Africa and Southeast Asia, East Asia, and Oceania. The main donor countries were the United States, Canada, Australia and the United Kingdom. The main agencies through which these resources were disbursed are non-governmental organizations (NGOs), US bilateral agencies, and UN agencies. CONCLUSION: In 2016, less than 4% of development assistance for health could be tied to funding for human resources. Given the central role skilled health workers play in health systems, in order to make credible progress in reducing disparities in health and attaining the goal of universal health coverage for all by 2030, it may be appropriate for more resources to be mobilized in order to guarantee adequate manpower to deliver key health interventions.
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 | 0,007 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».