Health Care Workers’ Perspectives of the Influences of Disrespectful Maternity Care in Rural Kenya
Notice bibliographique
Résumé
While disrespectful treatment of pregnant women attending health care facilities occurs globally, it is more prevalent in low-resource countries. In Kenya, a large body of research studied disrespectful maternity care (DMC) from the perspective of the service users. This paper examines the perspective of health care workers (HCWs) on factors that influence DMC experienced by pregnant women at health care facilities in rural Kisii and Kilifi counties in Kenya. We conducted 24 in-depth interviews with health care workers (HCWs) in these two sites. Data were analyzed deductively and inductively using NVIVO 12. Findings from HCWs reflective narratives identified four areas connected to the delivery of disrespectful care, including poor infrastructure, understaffing, service users’ sociocultural beliefs, and health care workers’ attitudes toward marginalized women. Investments are needed to address health system influences on DMC, including poor health infrastructure and understaffing. Additionally, it is important to reduce cultural barriers through training on HCWs’ interpersonal communication skills. Further, strategies are needed to affect positive behavior changes among HCWs directed at addressing the stigma and discrimination of pregnant women due to socioeconomic standing. To develop evidence-informed strategies to address DMC, a holistic understanding of the factors associated with pregnant women’s poor experiences of facility-based maternity care is needed. This may best be achieved through an intersectional approach to address DMC by identifying systemic, cultural, and socioeconomic inequities, as well as the structural and policy features that contribute and determine peoples’ behaviors and choices
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».