MétaCan
Menu
Retour à la cohorte
Enregistrement W4401792621 · doi:10.1093/heapol/czae073

Gender-responsive monitoring and evaluation for health systems

2024· article· en· W4401792621 sur OpenAlexaff
Rosemary Morgan, Anna Kalbarczyk, Michele R. Decker, Shatha Elnakib, Takeru Igusa, Amy Luo, Ayoyemi Toheeb Oladimeji, Milly Nakatabira, David H. Peters, Indira Prihartono, Anju Malhotra

Notice bibliographique

RevueHealth Policy and Planning · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueSex and Gender in Healthcare
Établissements canadiensYork University
Organismes subventionnairesNational Institute of Mental HealthJohns Hopkins UniversityBill and Melinda Gates Foundation
Mots-clésOperationalizationPsychological interventionGender equityGender analysisReproductive healthHealth equityEquity (law)Monitoring and evaluationPsychologyPolitical scienceMedicineEnvironmental healthSociologyPublic healthGender studiesPopulationNursing

Résumé

récupéré en direct d'OpenAlex

Gender-responsive monitoring and evaluation (M&E) for health and health systems interventions and programs is vital to improve health, health systems, and gender equality outcomes. It can be used to identify and address gender disparities in program participation, outcomes and benefits, as well as ensure that programs are designed and implemented in a way that is inclusive and accessible for all. While gender-responsive M&E is most effective when interventions and programs intentionally integrate a gender lens, it is relevant for all health systems programs and interventions. Within the literature, gender-responsive M&E is defined in different and diverse ways, making it difficult to operationalize. This is compounded by the complexity and multi-faceted nature of gender. Within this methodological musing, we present our evolving approach to gender-responsive M&E which we are operationalizing within the Monitoring for Gender and Equity project. We define gender-responsive M&E as intentionally integrating the needs, rights, preferences of, and power relations among, women and girls, men and boys, and gender minority individuals, as well as across social, political, economic, and health systems in M&E processes. This is done through the integration of different types of gender data and indicators, including: sex- or gender-specific, sex- or gender-disaggregated, sex- or gender-specific/disaggregated which incorporate needs, rights and preferences, and gender power relations and systems indicators. Examples of each of these are included within the paper. Active approaches can also enhance the gender-responsiveness of any M&E activities, including incorporating an intersectional lens and tailoring the types of data and indicators included and processes used to the specific context. Incorporating gender into the programmatic cycle, including M&E, can lead to more fit-for-purpose, effective and equitable programs and interventions. The framework presented in this paper provides an outline of how to do this, enabling the uptake of gender-responsive M&E.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,694
Score d'incertitude au seuil0,438

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,336
Tête enseignante GPT0,552
Écart entre enseignants0,216 · 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 tête enseignante, pas un consensus.

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

Citations12
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealth Policy and PlanningMême sujetSex and Gender in HealthcareTravaux en français237 207