The experience of a regional network of health policy and systems actors in translating evidence into policy and action in West Africa
Notice bibliographique
Résumé
Objectives: To identify strategies and interventions to strengthen the generation and use of research evidence in health policy and practice decision-making and implementation in the West African sub-region (knowledge translation). Design: The study design was cross-sectional. Data sources were from a desk review, West African Network of Emerging Leaders (WANEL) member brainstorming, and group discussion outputs from WANEL members and session participants' discussions and reflections during an organised session at the 2019 African Health Economics and Policy Association meeting in Accra. Results: Strategies and interventions identified included developing a Community of Practice, a repository of health policy and systems research (HPSR) evidence, stakeholder mapping, and engagement for action, advocacy, and partnership. Approaches for improving evidence uptake beyond traditional knowledge translation activities included the use of cultural considerations in presenting research results and mentoring younger people, the presentation of results in the form of solutions to political problems for decision-makers, and the use of research results as advocacy tools by civil society organisations. Development of skills in stakeholder mapping, advocacy, effective presentation of research results, leadership skills, networking, and network analysis for researchers was also identified as important. Conclusions: To strengthen the generation and use of research evidence in health policy and practice decision-making in West Africa requires capacity building and multiple interventions targeted synergistically at researchers, decision-makers, and practitioners. Funding: Funding for the study was provided by the COMPCAHSS project (#108237) supported by IDRC.
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 | 0,014 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».