A New eHealth Investment Appraisal Framework for Africa: Validation
Notice bibliographique
Résumé
(1) Background: Decisions to use eHealth are complex and involve addressing a large opportunity cost. Sound choices are essential. Weighing up investment options is challenging in resource-constrained settings where there are frequently insufficient economics data and expertise to conduct adequate appraisals. To address this, a new eHealth Investment Appraisal Framework (eHIAF) for Africa has been designed and developed. The aim of this paper was to validate the new framework to consider whether it is fit for purpose and to refine it as needed. (2) Methods: An online survey of purposively selected eHealth experts was used to conduct a desktop validation of the proposed eHIAF for Africa. The survey covered the framework development process, structure, content, completeness, and utility. Expert opinions were charted, and a reflective and iterative process used to assess the tool and extract recommendations for refinement. (3) Results: Eleven eHealth experts who completed the survey had experience in African countries and elsewhere. The majority agreed with the eHIAF for Africa development approach and output. They provided valuable suggestions for minor refinements and felt that with these amendments, the eHIAF for Africa would be 'fit for purpose'. (4) Conclusions: The eHIAF for Africa is considered appropriate for use by policy- and decision-makers working in resource-constrained settings who face the task of selecting optimal eHealth investments. It has the potential for applicability beyond Africa and the framework should now be tested in African countries.
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 | 0,199 | 0,221 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».