Community health volunteers challenges and preferred income generating activities for sustainability: a qualitative case study of rural Kilifi, Kenya
Notice bibliographique
Résumé
BACKGROUND: There is a global emphasis on engaging community health volunteers (CHVs) in low- to middle-income countries (LMICs) to reach to the vast underserved populations that live in rural areas. Retention of CHVs in most countries has however been difficult and turnover in many settings has been reported to be high with profound negative effects on continuity of community health services. In rural Kenya, high attrition among CHVs remains a concern. Understanding challenges faced by CHVs in rural settings and how to reduce attrition rates with sustainable income-generating activities (IGAs) is key to informing the implementation of contextual measures that can minimise high turnover. This paper presents findings on the challenges of volunteerism in community health and the preferred IGAs in rural Kilifi county, Kenya. METHODS: The study employed qualitative methods. We conducted 8 key informant interviews (KIIs) with a variety of stakeholders and 10 focus group discussions (FGDs) with CHVs. NVIVO software was used to organise and analyse our data thematically. RESULTS: Community Health Volunteers work is not remunerated and it conflicts with their economic activities, child care and other community expectations. In addition, lack of supervision, work plans and relevant training is a barrier to delivering CHVs' work to the communities. There is a need to remunerate CHVs work as well as provide support in the form of basic training and capital on entrepreneurship to implement the identified income generating activities such as farming and events management. CONCLUSIONS: Strategies to support the livelihoods of CHVs through context relevant income generating activities should be identified and co-developed by the ministry of health and other stakeholders in consultation with the CHVs.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».