Challenges and Opportunities of South Africa’s Electronic Vaccination Data System in the Provision of COVID-19 Vaccines
Notice bibliographique
Résumé
The increase in the development and availability of COVID-19 vaccines has resulted in countries developing strategies to inoculate their populations. The Government of South Africa, for example, developed the Electronic Vaccination Data System (EVDS) in a bid to swiftly monitor the distribution and administration of vaccines in the country. The EVDS allows the government to keep track of all the vaccinated people and makes it easy for the Department of Health to capture all important data related to the country's COVID-19 vaccination program. However, very few studies have explored the potential challenges and opportunities presented by the EVDS. The pertinent question remains: To what extent does the EVDS enable the South African government to provide vaccinations to all citizens without leaving anyone behind? In answering this research question, this paper seeks to use desktop research and extensive literature review to explore a constellation of factors that can present both challenges and opportunities of using the EVDS in South Africa. The paper argues that the following factors are possible challenges to the EVDS: lack of information, technical barriers, information communication technology literacy gaps, and vaccine apartheid. It also makes a case that the EVDS provides the government with possibilities and opportunities in decision support, logistics management, and vaccine administration. The paper recommends that the EVDS platform be complemented by other strategies to provide vaccines to the poor and vulnerable population members.
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 | 0,020 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».