Human resources and curricula content for early child development implementation: multicountry mixed methods evaluation
Notice bibliographique
Résumé
OBJECTIVE: The WHO recommends responsive caregiving and early learning (RCEL) interventions to improve early child development (ECD), and to achieve the Sustainable Development Goals' vision of a world where all children thrive. Implementation of RCEL programmes in low and middle-income countries (LMIC) requires evidence to inform decisions about human resources and curricula content. We aimed to describe human resources and curricula content for implementation of RCEL projects across diverse LMICs, using data from the Grand Challenges Canada Saving Brains ECD portfolio. SETTING: We evaluated 32 RCEL projects across 17 LMICs on four continents. PARTICIPANTS: Overall, 2165 workers delivered ECD interventions to 25 909 families. INTERVENTION: Projects were either stand-alone RCEL or RCEL combined with health and nutrition, and/or safety and security. PRIMARY AND SECONDARY OUTCOMES: We undertook a mixed methods evaluation of RCEL projects within the Saving Brains portfolio. Quantitative data were collected through standardised reporting tools. Qualitative data were collected from ECD experts and stakeholders and analysed using thematic content analysis, informed by literature review. RESULTS: Major themes regarding human resources included: worker characteristics, incentivisation, retention, training and supervision, and regarding curricula content: flexible adaptation of content and delivery, fidelity, and intervention duration and dosage. Lack of an agreed standard ECD package contributed to project heterogeneity. Incorporation of ECD into existing services may facilitate scale-up but overburdened workers plus potential reductions in service quality remain challenging. Supportive training and supervision, inducement, worker retention, dosage and delivery modality emerged as key implementation decisions. CONCLUSIONS: This mixed methods evaluation of a multicountry ECD portfolio identified themes for consideration by policymakers and programme leaders relevant to RCEL implementation in diverse LMICs. Larger studies, which also examine impact, including high-quality process and costing evaluations with comparable data, are required to further inform decisions for implementation of RCEL projects at national and regional scales.
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 | 0,114 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».