Success of health cell approach in improving knowledge, attitude and practice related to COVID-19: difference-in-differences analyses of a community-based quasi-experimental trial
Notice bibliographique
Résumé
OBJECTIVES: There remain hesitations and miscommunication regarding appropriate public health behaviours and conceptions related to COVID-19. We tested the effectiveness of the community-based health cell approach in improving knowledge, attitude and practice (KAP) related to COVID-19. SETTING: Households of the Bauniabadh slum area in Mirpur, Dhaka, Bangladesh. PARTICIPANTS: Household heads (HHs) and homemakers (HMs) of intervention (n=211) and comparison households (n=209). INTERVENTIONS: Behaviour change communication delivered at the community level in a quasi-experimental manner through small-scale community meetings and home visits. OUTCOME VARIABLES AND METHODS: The outcomes of interest were before-after mean and per cent changes in KAP scores. Data were collected from HHs and HMs before and after the intervention and difference-in-differences (DID) analysis technique was applied. RESULTS: We found statistically significant (p<0.05) before-after differences in the responses to the KAP questions made by the intervention groups. The DID models estimated the improvements in COVID-19-related KAP of HHs by 16.58 (95% CI: 14.05, 19.12), 20.92 (95% CI: 18.17, 23.67) and 28.45 (95% CI: 23.84, 33.07) per cent points, respectively. The DID estimates of KAP in HMs were 17.8 (95% CI: 15.09, 20.51), 22.33 (95% CI: 19.47, 25.19) and 28.06 (95% CI: 23.18, 32.93) per cent points, respectively. Overall, 20.91 (95% CI: 18.87, 22.94) and 21.81 (95% CI: 19.68, 23.94) per cent points of improvement were observed among HHs and HMs, respectively. The DID estimates of before-after mean changes in different KAP domains ranged from 2.24 to 2.68 units and the overall changes in KAP scores among HHs and HMs were 7.11 (95% CI: 6.42, 7.8) and 7.42 (95% CI: 6.69, 8.14) units. CONCLUSION: Scientifically valid information disseminated at the community level using the health cell approach could bring positive changes in KAP related to 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 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 | 0,012 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».