Determinants of evidence use by frontline maternal, newborn and child health staff in selected health facilities in Ghana
Notice bibliographique
Résumé
BACKGROUND: The current paper examines the level of use of evidence and factors affecting the use of evidence by frontline maternal, newborn and child health (MNCH) and reproductive and child health (RCH) staff in practice decisions in selected health facilities in Ghana. METHODS: Data on use of evidence and its correlates was collected from 509 frontline healthcare staff drawn from 44 health facilities in three regions in Ghana. Means were used to examine the level of use of evidence, whiles cross-tabulations and Partial Least Squares-based regression were used to examine factors associated with the use of evidence in practice decisions by frontline MNCH/RCH staff. FINDINGS: The findings suggest a high level of use of evidence by frontline MNCH/RCH staff in practice decisions (score of 3.98 out of 5), albeit that evidence use is skewed towards the use of practice guidelines and policies. For the antecedents of evidence use, attitude had the highest score (3.99), followed by knowledge (3.8), access to evidence (3.77) and organizational structure (3.57), using a threshold of 5. The regression results indicate that attitudes and knowledge of frontline MNCH/RCH staff, organizational structure (strongest association), years of experience, being a male and working in a mission health facility are significantly positive correlated with evidence use, whiles working in a private health facility or in the post-natal clinic is negatively correlated with the use of evidence. CONCLUSION: We argue that any effort to improve the use of evidence by frontline MNCH/RCH staff in practice decisions should focus on improving attitudes and knowledge of staff as well as challenges related to the structure of the organisation. Given however that the score for attitude was relatively high, emphases to improve evidence use should be on access to evidence and organizational structure in particular, which had the lowest score even though it has the strongest association with the use of evidence.
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 | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».