Assessing <i>Mbiotisho</i>: A smartphone application used to collect high‐frequency health and nutrition data from difficult‐to‐reach populations
Notice bibliographique
Résumé
There is an urgent need for improved and timely health and nutrition data. We developed and tested a smartphone application that caregivers from a pastoral population used to measure, record and submit high-frequency and longitudinal health and nutrition information on themselves and their children. The data were assessed by comparing caregiver-submitted measurements of mid-upper arm circumference (MUAC) to several benchmark data sets, including data collected by community health volunteers from the participating caregivers during the project period and data generated by interpreting photographs of MUAC measurements submitted by all participants. We found that the caregivers participated frequently and consistently over the 12-month period of the project; most of them made several measurements and submissions in at least 48 of the 52 weeks of the project. The evaluation of data quality was sensitive to which data set was used as the benchmark, but the results indicate that the errors in the caregivers' submissions were similar to that of enumerators in other studies. We then compare the costs of this alternative approach to data collection through more conventional methods, concluding that conventional methods can be more cost-effective for large socioeconomic surveys that value the breadth of the survey over the frequency of data, while the alternative we tested is favoured for those with objectives that are better met by high-frequency observations of a smaller number of well-defined outcomes.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».