S01.3 Using multiple data sources for programme evaluation: integration of program monitoring data with other research studies
Notice bibliographique
Résumé
Background Integration of program monitoring data with focused research studies can be a powerful approach to program evaluation and outcome assessment. This paper draws on examples from a large HIV prevention program in Karnataka, India implemented by the University of Manitoba, and funded by the Bill & Melinda Gates Foundation. Methods Data sources included (1) routine program data to monitor coverage (2) semi-annual assessment of behavioural outcomes using rapid, unlinked anonymous methods called Polling Booth Surveys (PBS) (3) Integrated Behavioural and Biological Surveys (IBBS) and (4) mathematical modeling of HIV transmission dynamics. Results The program monitoring data indicated that the monthly coverage of the estimated female sex workers (FSWs) increased from 68% to 76% and the monthly clinical attendance increased from 19% to 27% over a one year period. PBS demonstrated that the condom use among FSWs in last sex with any client increased from 64% to 73% over four years. IBBS indicated that HIV prevalence among the FSWs declined from 25% at baseline to 13% at end line. The mathematical modeling which used parameters from these data sources suggested that a total of over 80,000 infections were averted by the Karnataka program. The monitoring and evaluation teams were embedded within the program, independently carrying out the design, data collection, analysis and feedback. Discussion The embeddedness of program monitoring and evaluation enabled regular feedback to program implementation in terms of which geographies to focus, which sub-groups to prioritize etc. Special intervention packages were implemented for the young and high-volume FSWs. Conclusion The examples presented here used interactive processes of data use throughout the program cycle through regular feedback to program implementation pon geographies/sub-populations that are lagging behind in terms of both coverage and quality. Disclosure No significant relationships. S01.4 Evaluating complex public health issue violence: understanding and measuring violence and evaluating violence interventions – lessons from STRIVE Sinead Delany-Moretlwe Wits Reproductive Health and HIV Institute, South Africa
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 | 0,182 | 0,204 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,045 | 0,008 |
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 ».