Fostering global primary care research: a capacity-building approach
Notice bibliographique
Résumé
The Alma Ata and Astana Declarations reaffirm the importance of high-quality primary healthcare (PHC), yet the capacity to undertake PHC research—a core element of high-quality PHC—in low-income and middle-income countries (LMIC) is limited. Our aim is to explore the current risks or barriers to primary care research capacity building, identify the ongoing tensions that need to be resolved and offer some solutions, focusing on emerging contexts. This paper arose from a workshop held at the 2019 North American Primary Care Research Group Annual Meeting addressing research capacity building in LMICs. Five case studies (three from Africa, one from South-East Asia and one from South America) illustrate tensions and solutions to strengthening PHC research around the world. Research must be conducted in local contexts and be responsive to the needs of patients, populations and practitioners in the community. The case studies exemplify that research capacity can be strengthened at the micro (practice), meso (institutional) and macro (national policy and international collaboration) levels. Clinicians may lack coverage to enable research time; however, practice-based research is precisely the most relevant for PHC. Increasing research capacity requires local skills, training, investment in infrastructure, and support of local academics and PHC service providers to select, host and manage locally needed research, as well as to disseminate findings to impact local practice and policy. Reliance on funding from high-income countries may limit projects of higher priority in LMIC, and ‘brain drain’ may reduce available research support; however, we provide recommendations on how to deal with these tensions.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».