Implementing and Sustaining Brief Addiction Medicine Interventions with the Support of a Quality Improvement Blended-eLearning Course: Learner Experiences and Meaningful Outcomes in Kenya
Notice bibliographique
Résumé
Quality improvement methods could assist in achieving needed health systems improvements to address mental health and substance use, especially in low-middle-income countries (LMICs). Online learning is a promising avenue to deliver quality improvement training. This Computer-based Drug and Alcohol Training Assessment in Kenya (eDATA-K) study assessed users' experience and outcome of a blended-eLearning quality improvement course and collaborative learning sessions. A theory of change, developed with decision-makers, identified relevant indicators of success. Data, analyzed using descriptive statistics and thematic analysis, were collected through extensive field observations, the eLearning platform, focus group discussions, and key informant interviews. The results showed that 22 community health workers and clinicians in five facilities developed competencies enabling them to form quality improvement teams and sustain the new substance-use services for the 8 months of the study, resulting in 4591 people screened, of which 575 received a brief intervention. Factors promoting course completion included personal motivation, prior positive experience with NextGenU.org's courses, and a certificate. Significant challenges included workload and network issues. The findings support the effectiveness of the blended-eLearning model to assist health workers in sustaining new services, in a supportive environment, even in a LMIC peri-urban and rural settings.
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 | 0,003 | 0,004 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».