A Checklist for Implementing Rural Pathways to Train, Develop and Support Health Workers in Low and Middle-Income Countries
Notice bibliographique
Résumé
Background: There is an urgent need to scale up global action on rural workforce development. This World Health Organization-sponsored research aimed to develop a Rural Pathways Checklist. Its purpose was to guide the practical implementation of rural workforce training, development, and support strategies in low and middle-income countries (LMICs). It was intended for any LMICs, stakeholder, health worker, context, or health problem. Method: Multi-methods involved: (1) focus group concept testing; (2) a policy analysis; (3) a scoping review of LMIC literature; (4) consultation with a global Expert Reference Group and; (5) field-testing over an 18-month period. Results: The Checklist included eight actions for implementing rural pathways in LMICs: establishing community needs; policies and partners; exploring existing workers and scope; selecting health workers; education and training; working conditions for recruitment and retention; accreditation and recognition of workers; professional support/up-skilling and; monitoring and evaluation. For each action, a summary of LMICs-specific evidence and prompts was developed to stimulate reflection and learning. To support implementation, rural pathways exemplars from different WHO regions were also compiled. Field-testing showed the Checklist is fit for purpose to guide holistic planning and benchmarking of rural pathways, irrespective of LMICs, stakeholder, or health worker type. Conclusion: The Rural Pathways Checklist provides an agreed global conceptual framework for the practical implementation of “grow your own” strategies in LMICs. It can be applied to scale-up activity for rural workforce training and development in LMICs, where health workers are most limited and health needs are greatest.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».