To Obtain Informed Consent or Not to Obtain Informed Consent? Drones for Health Programs in the Grey Zone between Research and Public Health
Notice bibliographique
Résumé
Drones are increasingly being introduced to support healthcare delivery around the world. Most Drones for Health projects are currently in the pilot phase, where frontline staff are testing the feasibility of implementing drones into their healthcare system. Many of these projects are happening in remote localities where populations have been historically under-served within national healthcare systems. Currently, there exists limited drone-specific guidance on best practices for engaging individuals in decision-making about drone use in their communities. Towards supporting the development of such guidance, this paper focuses on the issue of obtaining community and individual consent for implementing Drones for Health projects. This paper is based on original qualitative research involving semi-structured interviews (N = 16) with program managers and implementation staff hired to work on health-related projects using drone technologies. In this paper, we introduce a scenario described by one participant to highlight the ethical and practical challenges associated with the implementation and use of drones for health-related purposes. We explore the ethical and practical complexities of obtaining informed consent from individuals who reside in communities where Drones for Health projects are implemented.
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 | 0,408 | 0,539 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,030 |
| Communication savante | 0,010 | 0,018 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,020 | 0,024 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,006 |
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 ».