Assessing innovative approaches for global health capacity building in fragile settings in the MENA region: development of the evaluation of capacity building (eCAP) program
Notice bibliographique
Résumé
BACKGROUND: Given the magnitude and frequency of conflicts in the MENA region along with their devastating impact on health responses and outcomes, there exists a strong need to invest in contextualized, innovative, and accessible capacity building approaches to enhance leadership and skills in global health. The MENA region suffers from limited (1) continued educational and career progression opportunities, (2) gender balance, and (3) skill-mix among its health workforce, which require significant attention. MAIN TEXT: The Global Health Institute at the American University of Beirut incepted the Academy division to develop and implement various global health capacity building (GHCB) initiatives to address those challenges in fragile settings across low-and middle-income countries in the MENA region. These initiatives play a strategic role in this context, especially given their focus on being accessible through employing innovative learning modalities. However, there exists a dearth of evidence-based knowledge on best practices and recommendations to optimize the design, implementation, and evaluation of GHCB in fragile settings in the MENA region. The present paper describes the development of the evaluation of capacity building program (eCAP), implemented under the Academy division, to assess the effectiveness of its initiatives. eCAP is composed of 3 phases: (1) a situational assessment, followed by (2) production of multiple case studies, and finally (3) a meta-assessment leading to model development. The goal of eCAP is not only to inform the Academy's operations, but also to synthesize produced knowledge into the formation of an evidence-based, scalable, and replicable model for GHCB in fragile settings. CONCLUSION: eCAP is an important initiative for researchers, educators, and practitioners interested in GHCB in fragile settings. Several lessons can be learned from the outcomes it has yielded so far in its first two phases of implementation, ranging from the situational assessment to the production of evaluation case studies, which are expanded on in the manuscript along with pertinent challenges.
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 | 0,217 | 0,188 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,005 | 0,014 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».