Impact Evaluation of the Kenya Frontline Field Epidemiology Training Program: Repeated-Measures Study
Notice bibliographique
Résumé
BACKGROUND: In 2014, Kenya's Field Epidemiology and Laboratory Training Program (FELTP) initiated a 3-month field-based frontline training, Field Epidemiology Training Program (FETP-F), for local public health workers. OBJECTIVE: This study aimed to measure the effect of FETP-F on participant workplace practices regarding quality and consistency of public health data, critical interaction with public health data, and improvements in on-time reporting (OTR). METHODS: Between February and April 2017, FELTP conducted a mixed methods evaluation via online survey to examine outcomes achieved among all 215 graduates from 2014 and 2015. Data quality assessment (DQA) and data consistency assessment (DCA) scores, OTR percentages, and ratings of the training experience were the quantitative measures tracked from baseline and then at 6-month intervals up to 18 months postcompletion of the training. The qualitative component consisted of semistructured face-to-face interviews and observations. Quantitative data were analyzed using descriptive statistics and one-way analysis of variance (ANOVA). Qualitative data were transcribed and analyzed to identify key themes and dimensions. RESULTS: In total, 103 (47%) graduates responded to the survey. Quantitative analyses showed that the training significantly increased the mean DQA and OTR scores but there was a nonsignificant increase in mean DCA scores. Qualitative analyses found that 68% of respondents acquired new skills, 83% applied those skills to their day-to-day work, and 91% improved work methods. CONCLUSIONS: FETP-F improved overall data quality and OTR at the agency level but had minimal impact on data consistency between local, county, and national public health agencies. Participants reported that they acquired practical skills that improved data collation and analysis and OTR.
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 | 0,023 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».