Evaluating a mobile health intervention to increase COVID-19 prevention: engagement and learning outcomes among urban refugee youth in Kampala, Uganda
Notice bibliographique
Résumé
Background: Displaced populations in resource-constrained settings require tailored COVID-19 prevention strategies, and mobile health (mHealth) emerges as a cost-effective approach. This study aimed to evaluate engagement and learning outcomes of the Kukaa Salama – Staying Safe – mHealth intervention for enhancing COVID-19 prevention practices among urban refugee youth. Method: This mixed-methods analysis used cross-sectional data from refugee youth aged 16–24 in Kampala, Uganda. Standardized questionnaires were used to collect mHealth engagement data and socio-demographic information. Participants shared learning experiences through responses to SMS check-ins and weekly informational messages. t -test, χ 2 , and Fisher’s exact tests were conducted to examine associations between mHealth engagement and socio-demographic factors. Inductive thematic analysis was employed to analyse qualitative responses related to learning experiences. Results: Among 346 participants (174 cisgender women, 166 cisgender men, 6 transgender individuals; mean age: 21.2, SD: 2.6), most reported using SMS services (84.8 per cent) while a lower proportion engaged in WhatsApp group chats (67.4 per cent). Participants who were older, born in Burundi and higher-educated were more likely to share in WhatsApp multimedia groups; those born in Burundi were also more likely to use SMS services. Four themes of learning outcomes emerged: COVID-19 self-protection strategies; awareness of the COVID-19 pandemic and relevant knowledge; significance of community and mutual support; self-efficacy and perseverance. Conclusions: Findings offer insights into characteristics of engagement and specific learning outcomes from the Kukaa Salama intervention. Future mHealth programmes can leverage community-based and age-sensitive approaches to enhance mental health support for young urban refugee.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 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 ».