MétaCan
Menu
Retour à la cohorte
Enregistrement W4386049240 · doi:10.56687/9781447360414-010

Using ICT to research maternal, newborn and child health during the COVID-19 pandemic in Nigeria

2020· book-chapter· en· W4386049240 sur OpenAlexaboutno aff
Osasuyi Dirisu, Godwin Akaba, Eseoghene Adams

Notice bibliographique

RevuePolicy Press eBooks · 2020
Typebook-chapter
Langueen
DomaineComputer Science
ThématiqueCOVID-19 Digital Contact Tracing
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPandemicMedicineMaternal healthEnvironmental healthInfant mortalityMillennium Development GoalsChild mortalityCoronavirus disease 2019 (COVID-19)Global healthQuarter (Canadian coin)PregnancyDemographyDeveloping countryPopulationEconomic growthGeographyPublic healthHealth servicesNursingDiseaseInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

Research remains vital to realizing the Sustainable Development Goals (SDGs) (Fayomi et al. , -2018), however it may be hampered by unexpected crises. Reducing global maternal mortality to less than 70 per 100,000 live births, neonatal mortality to 12 per 1,000 live births and under-five mortality rates to 25 per 1,000 live births are key SDG targets for 2030 (WHO, -2018). Improving access to quality maternal, newborn and child health (MNCH) services is central to achieving these targets. Despite progress in reducing maternal and neonatal mortality, Nigeria still contributes significantly to the global burden of maternal deaths, accounting for the highest proportion of stillbirths, pregnancy-related deaths and neonatal mortalities worldwide. In 2017, Nigeria accounted for almost a quarter of maternal deaths globally –​ the highest of any country that year (World Bank, -2019). Addressing factors affecting the continuum of care from antenatal (ANC), delivery and postnatal care (PNC) remains critical (Yasuoka et al. , -2018). Low MNCH services utilization can be attributed to two types of factors: user factors and health system factors. User factors include distance to health facility, cultural beliefs, practices and economic factors. Health system factors include competence and attitude of healthcare providers, infrastructure and equipment and organization of the health system (Kisiangani et al. , -2020). MNCH is often disproportionately affected by conflicts, natural disasters and pandemics. On 11 March 2020, COVID-19 was declared a global pandemic by the World Health Organization (WHO) (WHO, -2020), with devastating health and social consequences (Hausmann, -2020).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,038

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0110,004

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 Opus0,246
Tête enseignante GPT0,419
Écart entre enseignants0,173 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePolicy Press eBooksMême sujetCOVID-19 Digital Contact TracingTravaux en français237 207