MétaCan
Menu
Retour à la cohorte
Enregistrement W4323311417 · doi:10.1186/s12960-023-00804-w

Evaluation of a continuing professional development strategy on COVID-19 for 10 000 health workers in Ghana: a two-pronged approach

2023· article· en· W4323311417 sur OpenAlexafffund
Roxana Salehi, Stephanie Young, Augustine Asamoah, Sawdah Esaka Aryee, Raymond Eli, Barbara Couper, Brian J Smith, Charity Djokoto, Yaa Nyarko Agyeman, Abdul-Fatawu Suglo Zakaria, Nancy Butt, Amma Mpomaa Boadu, Felix Nyante, Gifty Akua Merdiemah, Joseph Oliver‐Commey, Lawrence Ofori-Boadu, Samuel Kaba Akoriyea, Megan M. Parry, Cindy Fiore, Faustina Okae, Archibald Adams, Hannah Acquah

Notice bibliographique

RevueHuman Resources for Health · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensSickKids FoundationHospital for Sick Children
Organismes subventionnairesGlobal Affairs CanadaHospital for Sick Children
Mots-clésPreparednessHealth administrationStakeholderProfessional developmentMedicineHealth services researchMedical educationHealth informaticsGeneral partnershipNursingHealth carePublic healthPsychologyPublic relationsBusinessPolitical science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: COVID-19 has created unprecedented challenges for health systems worldwide. Since the confirmation of the first COVID-19 case in Ghana in March 2020 Ghanian health workers have reported fear, stress, and low perceived preparedness to respond to COVID-19, with those who had not received adequate training at highest risk. Accordingly, the Paediatric Nursing Education Partnership COVID-19 Response project designed, implemented, and evaluated four open-access continuing professional development courses related to the pandemic, delivered through a two-pronged approach: e-learning and in-person. METHODS: This manuscript presents an evaluation of the project's implementation and outcomes using data for a subset of Ghanaian health workers (n = 9966) who have taken the courses. Two questions were answered: first, the extent to which the design and implementation of this two-pronged strategy was successful and, second, outcomes associated with strengthening the capacity of health workers to respond to COVID-19. The methodology involved quantitative and qualitative survey data analysis and ongoing stakeholder consultation to interpret the results. RESULTS: Judged against the success criteria (reach, relevance, and efficiency) the implementation of the strategy was successful. The e-learning component reached 9250 health workers in 6 months. The in-person component took considerably more resources than e-learning but provided hands-on learning to 716 health workers who were more likely to experience barriers to accessing e-learning due to challenges around internet connectivity, or institutional capacity to offer training. After taking the courses, health workers' capacities (addressing misinformation, supporting individuals experiencing effects of the virus, recommending the vaccine, course-specific knowledge, and comfort with e-learning) improved. The effect size, however, varied depending on the course and the variable measured. Overall, participants were satisfied with the courses and found them relevant to their well-being and profession. An area for improvement was refining the content-to-delivery time ratio of the in-person course. Unstable internet connectivity and the high upfront cost of data to access and complete the course online were identified as barriers to e-learning. CONCLUSIONS: A two-pronged delivery approach leveraged distinct strengths of respective e-learning and in-person strategies to contribute to a successful continuing professional development initiative in the context of COVID-19.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,511
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0130,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,285
Tête enseignante GPT0,528
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHuman Resources for HealthMême sujetCOVID-19 and Mental HealthTravaux en français237 207