Causes of attrition among frontline health workers in rural areas of Bauchi and Cross River States of Nigeria
Notice bibliographique
Résumé
BACKGROUND: The situation of frontline health workers in the rural areas of Bauchi and Cross River States has been classified as critical regarding the shortages due to attrition. This affects health service delivery and outcomes. METHODS: We targeted 402 participants, and 389 frontline health workers (nurses, midwives, nurse/midwives, community health officers and community health extension workers) responded. They were drawn from 42 public primary healthcare centers: 23 from Cross River and 19 from Bauchi States. Five focused-group discussions were conducted with 42 facilities in-charges to identify what they perceived as the main causes of attrition in the rural areas. RESULTS: Our findings indicate that the reasons that had potential to cause attrition of the frontline health workers were either voluntary or involuntary. Out of the 81 nurses in the study, 66 (81 percent) would voluntarily exit the workforce while 15 (19 percent) would leave involuntarily. From a total number of 81 nurses, midwives and nurse/midwives from the two states, 75% would exit due to resignations in search of better prospects in the urban areas. Ninety-nine percent of the community health worker's attrition had very low intentions of exit, and it would mainly be due to retirements and deaths. CONCLUSION: Implementation of tailor-made strategies that reflect their needs is imperative in the two states to reduce attrition among frontline health workers and improve health service outcomes.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».