Examining corruption risks in the procurement and distribution of COVID-19 vaccines in select states in Nigeria
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Public health emergencies raise significant concerns about corruption and accountability; however, these concerns can manifest in different ways across diverse locations. For instance, more developed countries with a stronger rule of law may experience more corruption in vaccine procurement, whereas developing countries may experience more corruption at the point of distribution and delivery to end users. This research focuses on corruption concerns in Nigeria, specifically examining the procurement and distribution of COVID-19 vaccines. METHODS: This paper utilizes a scoping review and a qualitative research approach. Key informants (n = 40) involved in the procurement and distribution of COVID-19 vaccines across two states in Nigeria were interviewed. Findings from the scoping review were summarized, and collected data were inductively coded and analysed in themes, revealing clear examples of implementation irregularities and corruption in the country's COVID-19 vaccination processes. RESULTS: Vaccination programme budgeting processes were unclear, and payment irregularities were frequently observed, resulting in vaccinators soliciting informal payments while in the field. Recruitment and engagement of vaccination personnel was opaque, while target vaccination rates incentivized data falsification during periods of vaccine hesitancy. Accountability mechanisms, such as health worker supervision, vaccination data review, and additional technical support provided by donors were implemented but not effective at preventing corruption among frontline workers. CONCLUSIONS: Future accountability measures should be evidence-driven based on findings from this research. Personnel recruitment, contracting, budgeting, and remuneration should focus on transparency and accountability.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle