Practicalities of implementing burden of disease research in Africa: lessons from a population survey component of our multi-partner FOCAL research project
Notice bibliographique
Résumé
BACKGROUND: Collaborative research is being increasingly implemented in Africa to study health-related issues, for example, the lack of evidence on disease burden, in particular for the presumptive high load of foodborne diseases. The FOCAL (Foodborne disease epidemiology, surveillance, and control in African LMIC) Project is a multi-partner study that includes a population survey to estimate the foodborne disease burden in four African low- and middle-income countries (LMICs). Our multi-partner study team had members from seven countries, all of whom contributed to the project from the grant application stage, and who play(ed) specific roles in designing and implementing the population survey. MAIN TEXT: In this paper, we applied Larkan et al.'s framework for successful research partnerships in global health to self-evaluate our project's collaboration, management, and implementation process. Our partnership formation considered the interplay and balance between operations and relations. Using Larkan et al.'s seven core concepts (i.e., focus, values, equity, benefit, communication, leadership, and resolution), we reviewed the process stated above in an African context. CONCLUSION: Through our current partnership and research implementing a population survey to study disease burden in four African LMICs, we observed that successful partnerships need to consider these core concepts explicitly, apply the essential leadership attributes, perform assessment of external contexts before designing the research, and expect differences in work culture. While some of these experiences are common to research projects in general, the other best practices and challenges we discussed can help inform future foodborne disease burden work in Africa.
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 | 0,023 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».