Lessons learned from an occupational therapy programme needs assessment
Notice bibliographique
Résumé
Background: A needs assessment identifies the differences between actual and ideal situations to facilitate the development of a new programme or improve existing services. Objectives: This article shares our experiences conducting the needs assessment in a context where people had limited or no understanding of the need being assessed. Method: Adhering to a three-phase model – comprising pre-assessment, assessment, and post-assessment – we employed diverse data collection methods, including quantitative survey, qualitative interviews, and environmental scan. Results: The findings underscored the necessity of expanding rehabilitation services in Ethiopia, with a shift from a purely medical focus to addressing issues associated with daily functioning and community engagement. These issues align closely with the core expertise and responsibilities of occupational therapists. Participants expressed support for the introduction of occupational therapy in Ethiopia and willingness to incorporate the practice of occupational therapists in their settings. The challenges encountered were how to ask about occupational therapy when it is not well known by members of the local population and how to introduce the profession without biasing participants’ responses. Conclusion: Conducting a needs assessment was critical to developing occupational therapy services in Ethiopia. We welcome others to learn from our experiences. Contribution: This manuscript details the assessment process and delves into the challenges we encountered and lessons learned. It extends methodological suggestions to inform future evaluations and contributes valuable insights to the broader discourse on needs assessment and programme development in a context where people have limited awareness of services, such as occupational therapy.
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 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 | 0,009 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 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 tête enseignante, 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 ».