Development of a Blended Learning Approach to Delivering HIV-Assisted Contact Tracing in Malawi: Applied Theory and Formative Research
Notice bibliographique
Résumé
BACKGROUND: Despite progress toward the Joint United Nations Programme on HIV/AIDS "95-95-95" targets (95% of HIV-positive persons tested, 95% of tested persons on treatment, and 95% of treated persons virally suppressed), a gap remains in achieving the first 95% target. Assisted contact tracing (ACT), in which health workers support HIV-positive index clients to recruit their contacts (sexual partners and children) for HIV testing, efficiently identifies HIV-positive persons in need of treatment. Although many countries, including Malawi, began implementing ACT, testing outcomes in routine settings have been worse than those in trial settings. OBJECTIVE: The aim of this paper is to use formative research and frameworks to develop and digitize an implementation package to bridge the gap between ACT research and practice. METHODS: Semistructured qualitative research was conducted in 2019 in Malawi with key informants. Barriers and facilitators to intervention delivery were identified using the Consolidated Framework for Implementation Research. Approaches to digitization were examined using human-centered design principles. RESULTS: Limited clinic coordination and health worker capacity to address the complexities of ACT were identified as barriers. Ongoing individual training consisting of learning, observing, practicing, and receiving feedback, as well as group problem-solving were identified as facilitators. Important features of digitization included (1) culturally relevant visual content, (2) capability of offline use, and (3) simple designs and basic editing to keep costs low. CONCLUSIONS: Formative research and frameworks played a key role in designing and digitizing an implementation package for ACT delivery in a low-income setting such as Malawi.
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 | 0,015 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».