IMPROVING THE ABILITY OF DISTRICTS IN UGANDA TO MONITOR THEIR HIV PROGRAMS
Notice bibliographique
Résumé
BACKGROUND: Although district health teams (DHT) in Uganda are supposed to monitor and support facilities to ensure quality HIV data collection, reporting and use, they are often ill-equipped to do so. We implemented a program designed to build the capacity of districts to manage and use their own HIV-related program data and to assist facilities to collect and evaluate their own data. METHODS: We conducted a baseline assessment of the monitoring and evaluation (M&E) capacity of 38 districts. In the 10 worst-performing districts, we identified and trained district-level staff to become M&E mentors who in turn trained and supervised facility-level staff. We collected information on action plans developed by facilities to address major issues of concern. Following the intervention, we reassessed M&E capacity of the 10 targeted districts. RESULTS: Among the 38 districts assessed, one-half did not have a biostatistician, less than one-quarter had staff trained in the basics of M&E or data analysis, and less than one-quarter had an M&E plan. The main concerns of facilities included lack of updated data collection tools, lack of supervision, inaccurate data recording, and limited ability to analyze and use data. In the 10 targeted districts, comparison before and after the intervention showed that the number of districts with trained M&E staff increased (4 to 9), the number of M&E plans increased (3 to 6), and the number using data for programming increased (4 to 8). Implementation of action plans by facilities successfully addressed many issues and led to improved programming. CONCLUSION: Challenges of district M&E in Uganda mainly result from a lack of skilled human resources. On-the-job training and direct involvement of district staff to provide support to facilities can lead to improvements in data quality and use.
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 | 0,012 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,001 | 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 ».