Equipping community health workers with digital tools for pandemic response in LMICs
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.
Notice bibliographique
Résumé
BACKGROUND: Community health workers (CHWs) are well-positioned to play a pivotal role in fighting the pandemic at the community level. The Covid-19 outbreak has led to a lot of stress and anxiety among CHWs as they are expected to perform pandemic related tasks along with the delivery of essential healthcare services. In addition, movement restrictions, lockdowns, social distancing, and lack of protective gear have significantly affected CHWs' routine workflow and performance. To optimize CHWs' functioning, there is a renewed interest in supporting CHWs with digital technology to ensure an appropriate pandemic response. DISCUSSION: The current situation has necessitated the use of digital tools for the delivery of Covid-19 related tasks and other essential healthcare services at the community level. Evidence suggests that there has been a significant digital transformation to support CHWs in these critical times such as remote data collection and health assessments, the use of short message service and voice message for health education, use of digital megaphones for encouraging behavior change, and digital contract tracing. A few LMICs such as Uganda and Ethiopia have been successful in operationalizing digital tools to optimize CHWs' functioning for Covid-19 tasks and other essential health services. CONCLUSION: Yet, in most LMICs, there are some challenges concerning the feasibility and acceptability of using digital tools for CHWs during the Covid-19 pandemic. In most cases, CHWs find it difficult to adopt and use digital health solutions due to lack of training on new digital tools, weak technical support, issues of internet connectivity, and other administrative related challenges. To address these challenges, engaging governments would be essential for training CHWs on user-friendly digital health solutions to improve routine workflow of CHWs during the Covid-19 pandemic.
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 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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle