MétaCan
Menu
Retour à la cohorte
Enregistrement W3093022449 · doi:10.12688/gatesopenres.13184.1

Using developmental evaluation to implement an oral pre-exposure prophylaxis (PrEP) project in Kenya

2020· preprint· en· W3093022449 sur OpenAlex
Linda Fogarty, Abednego Musau, Mark Kabue, Daniel Were, Jane Mutegi, Patricia Ong’wen, Mercy Kamau, Jason Reed

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

fundUn bailleur canadien est enregistré sur le travail.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueGates Open Research · 2020
Typepreprint
Langueen
DomaineMedicine
ThématiqueHIV/AIDS Research and Interventions
Établissements canadiensnon disponible
Organismes subventionnairesInstitute of Circulatory and Respiratory HealthGilead SciencesBill and Melinda Gates Foundation
Mots-clésOperationalizationBest practiceChristian ministryService (business)Resource (disambiguation)MedicineMedical educationKnowledge managementComputer sciencePublic relationsBusinessEngineeringPolitical scienceMarketing

Résumé

récupéré en direct d'OpenAlex

<ns3:p>Oral Pre-Exposure Prophylaxis (PrEP) is highly effective in lowering HIV transmission risk. The Bill and Melinda Gates-funded Jilinde Project was designed to identify the best ways to introduce and support PrEP services in Kenya for female sex workers, men who have sex with men, and adolescent girls and young women. We chose Developmental Evaluation (DE) as a core project approach because our goal was not just to recruit 20,000 new PrEP users, but to learn how to deliver PrEP effectively to optimally benefit users in a complex, dynamic, resource-limited setting. This paper describes how we incorporated DE into the Jilinde Project, and shares experiences and lessons learned about the value of DE in PrEP service implementation in a real-world situation.</ns3:p> <ns3:p/> <ns3:p>With the Ministry of Health, Jilinde developed consensus about the structure and roll-out of PrEP services. The DE evaluator, embedded in Jilinde, designed and implemented the five-step DE methodology—collect, review, reflect, record and act—according to a core set of project guiding principles. The paper describes how we operationalized the five elements, citing findings reported and actions taken reflecting on the data. It summarizes challenges to DE implementation, such as uneven uptake and competing demands, and how we addressed those challenges.</ns3:p> <ns3:p/> <ns3:p>Used consistently, DE helped adapt and refine PrEP services, improve service access, reach target audiences and improve continuation rates. The look, feel and yield of our DE efforts evolved over time, increasingly integrated into existing systems and providing deeper and richer understandings, and we learned how to better implement DE in the future.</ns3:p> <ns3:p/> <ns3:p>This case study provides practical guidance for using a DE approach in program design. The DE process can be used successfully working with partners on a common complex public health challenge within a dynamic environment in a way that feeds back into and improves programs.</ns3:p>

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,582
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0110,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,007
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,512
Tête enseignante GPT0,590
Écart entre enseignants0,078 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle