Successes and challenges of speech language therapy service provision in Western Kenya: Three case studies
Notice bibliographique
Résumé
BACKGROUND: The need for communication-related services in sub-Saharan Africa to support individuals experiencing communication disability is a longstanding and well-documented situation. We posit the inequities highlighted by coronavirus disease 2019 (COVID-19) make this a relevant time for speech language therapists and the professional bodies that govern us to broadly consider our roles and practices in education, health and disability in local, national and global contexts. OBJECTIVE: To illustrate what services developed with local knowledge can look like in Kenya in order to promote dialogue around alternative speech language therapy models, particularly in contexts where there are insufficient services, few trained speech language therapists and limited structures to support the emerging profession. METHOD: This article examines three clinical case studies from Western Kenya, using a conceptual framework for responsive global engagement. RESULTS: Service needs in Western Kenya well exceed a direct one-on-one model of care that is common in the minority world. The service delivery models described here emphasise training, skills sharing and engaging the myriad of communication partners available to individuals with communication disabilities. CONCLUSION: We offer up these case studies of collaborative practice as contextual realities that may be present in any speech language therapy programming in under-resourced communities. We dispel the idea that success in this work has been linear, progressed on planned time frames or come to fruition with targeted goal attainment. The fact that our relationships have endured in these communities since 2007 is our primary success.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».