Challenges and opportunities of human resource management activities for neglected tropical diseases in Liberia
Notice bibliographique
Résumé
People affected by skin neglected tropical diseases (NTDs) are best cared for by a motivated, well-directed, competent and well-resourced health workforce. There is limited evidence about performance management for health workforce relating to NTD tasks. We explored human resource management relating to skin NTDs, with a focus on performance management. We carried out qualitative and participatory research with health workers across health systems levels in Liberia to explore experiences of caring for people with skin NTDs and views on optimal human resource management (HRM) practices. We conducted key informant interviews with national health systems policymakers (16) and county health workers (32); in-depth interviews with health workers (36); focus group discussions with health workers (4); and photovoice with 15 community health assistants and community health promoters, purposively selected for maximum variation. All interviews and FGDs were transcribed and analysed using thematic framework approach. We found health workers often have strong intrinsic motivation to care for people affected by skin NTDs. However, this is undermined by weak HRM structures particularly in geographic areas where integrated services for NTDs requiring case management have not yet rolled out. The main challenges described include: limited awareness of NTD-related roles, and mental health support provision role, particularly at facility level, gaps in knowledge and skills (how to identify, diagnose and manage skin NTDs), irregular supervision and limited resources to deliver care. Our findings have informed collaborative development of a bundle of HRM approaches to strengthen performance of health workers caring for patients with skin NTDs, including participatory training informed by adult learning-based approaches, supportive supervision, provision of job tasks, NTD manual and related tools, essential resource provision for community health assistants and promoters (CHAs and CHPs) and non-cash awards.
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 | 0,007 | 0,006 |
| 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 | 0,006 | 0,004 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».