Optimizing data visualization for reproductive, maternal, newborn, child health, and nutrition (RMNCH&N) policymaking: data visualization preferences and interpretation capacity among decision-makers in Tanzania
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
BACKGROUND: Reproductive, maternal, newborn, child health, and nutrition (RMNCH&N) data is an indispensable tool for program and policy decisions in low- and middle-income countries. However, being equipped with evidence doesn't necessarily translate to program and policy changes. This study aimed to characterize data visualization interpretation capacity and preferences among RMNCH&N Tanzanian program implementers and policymakers ("decision-makers") to design more effective approaches towards promoting evidence-based RMNCH&N decisions in Tanzania. METHODS: We conducted 25 semi-structured interviews in Kiswahili with junior, mid-level, and senior RMNCH&N decision-makers working in Tanzanian government institutions. We used snowball sampling to recruit participants with different rank and roles in RMNCH&N decision-making. Using semi-structured interviews, we probed participants on their statistical skills and data use, and asked participants to identify key messages and rank prepared RMNCH&N visualizations. We used a grounded theory approach to organize themes and identify findings. RESULTS: The findings suggest that data literacy and statistical skills among RMNCH&N decision-makers in Tanzania varies. Most participants demonstrated awareness of many critical factors that should influence a visualization choice-audience, key message, simplicity-but assessments of data interpretation and preferences suggest that there may be weak knowledge of basic statistics. A majority of decision-makers have not had any statistical training since attending university. There appeared to be some discomfort with interpreting and using visualizations that are not bar charts, pie charts, and maps. CONCLUSIONS: Decision-makers must be able to understand and interpret RMNCH&N data they receive to be empowered to act. Addressing inadequate data literacy and presentation skills among decision-makers is vital to bridging gaps between evidence and policymaking. It would be beneficial to host basic data literacy and visualization training for RMNCH&N decision-makers at all levels in Tanzania, and to expand skills on developing key messages from visualizations.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle