Experiences of community health workers on adopting mHealth in rural Malawi: A qualitative study
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 The use of mobile health technology (mHealth) by community health workers (CHWs) can strengthen community-based service delivery and improve access to and quality of healthcare. Objective This qualitative study sought to explore experiences and identify factors influencing the use of an integrated smartphone-based mHealth called YendaNafe by CHWs in rural Malawi. Methods Using pre-tested interview guides, between August and October 2022, we conducted eight focus group discussions with CHWs ( n = 69), four in-depth interviews with CHW supervisors, and eight key informant interviews in Neno District, Malawi. We audio-recorded and transcribed the interviews verbatim and organized them for analysis in Dedoose V9.0.62. We used an inductive analysis technique to analyze the data. We further applied the six domains of the socio-technical system (STS) framework to map factors influencing the use of YendaNafe. Results User experiences and facilitators and barriers were the two main themes that emerged. mHealth was reported to improve the task efficiency, competence, trust, and perceived professionalism of CHWs. CHWs less frequently referred to cultural factors influencing app uptake. However, for other social systems, they identified relationships and trust with stakeholders, availability of training and programmatic support, and performance monitoring and feedback as influencing the use of YendaNafe. From the STS technical domain, the availability and adequacy of hardware such as phones, mobile connectivity, and usability influenced the use of YendaNafe. Conclusions Despite the initial discomfort, CHWs found mHealth helpful in supporting their service delivery tasks. Identifying and addressing social and technical factors during mHealth implementation may help improve end users’ attitudes and uptake.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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