Assessing Feasibility of an Early Childhood Intervention Using Mobile Phones Among Low-Income Mothers of Newborns: Qualitative Interview Study
Notice bibliographique
Résumé
BACKGROUND: Many children aged younger than 5 years living in low- and middle-income countries are at risk for poor development. Early child development (ECD) programs are cost-effective strategies to reduce poverty, crime, school dropouts, and socioeconomic inequality. With the spread of low-cost mobile phones and internet access in low- and middle-income countries, new service delivery models such as mobile phone-aided interventions have a great potential to improve early childhood development. OBJECTIVE: This study aimed to identify the beliefs on importance of ECD, feasibility of a proposed intervention using mobile phones and factors that may affect the usability of the intervention among mothers of newborns in a poverty-stricken area in southwestern China. METHODS: We conducted an in-depth, semistructured interview study of 25 low-income mothers of newborns recruited from two county hospitals in Yunnan Province. We applied the health belief model and cultural competence theories to identify the facilitators, barriers, and preferences among the target population for parenting knowledge. RESULTS: The results showed that the participants had low health literacy and high perceived needs for learning ECD knowledge. At the same time, they experienced several barriers to learning parenting information and following evidence-based instructions including having limited time, limited financial resources, and different opinions on childcare among family members. Many participants preferred to receive personalized messages tailored to their specific needs and preferred videos or graphics to text only in the messages. Many favored a separate module to support postpartum mental health. CONCLUSIONS: The study assessed the acceptability of an early childhood intervention using mobile phones to meet the needs of the target population based on their beliefs, traits, and preferences and provided suggestions to refine the intervention to improve its usability.
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 | 0,013 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».