Referee report. For: Using developmental evaluation to implement an oral pre-exposure prophylaxis (PrEP) project in Kenya [version 1; peer review: 1 approved with reservations]
Notice bibliographique
Résumé
Oral Pre-Exposure Prophylaxis (PrEP) is highly effective in lowering HIV transmission risk. The Bill and Melinda Gates-funded Jilinde Project was designed to identify the best ways to introduce and support PrEP services in Kenya for female sex workers, men who have sex with men, and adolescent girls and young women. We chose Developmental Evaluation (DE) as a core project approach because our goal was not just to recruit 20,000 new PrEP users, but to learn how to deliver PrEP effectively to optimally benefit users in a complex, dynamic, resource-limited setting. This paper describes how we incorporated DE into the Jilinde Project, and shares experiences and lessons learned about the value of DE in PrEP service implementation in a real-world situation. With the Ministry of Health, Jilinde developed consensus about the structure and roll-out of PrEP services. The DE evaluator, embedded in Jilinde, designed and implemented the five-step DE methodology—collect, review, reflect, record and act—according to a core set of project guiding principles. The paper describes how we operationalized the five elements, citing findings reported and actions taken reflecting on the data. It summarizes challenges to DE implementation, such as uneven uptake and competing demands, and how we addressed those challenges. Used consistently, DE helped adapt and refine PrEP services, improve service access, reach target audiences and improve continuation rates. The look, feel and yield of our DE efforts evolved over time, increasingly integrated into existing systems and providing deeper and richer understandings, and we learned how to better implement DE in the future. This case study provides practical guidance for using a DE approach in program design. The DE process can be used successfully working with partners on a common complex public health challenge within a dynamic environment in a way that feeds back into and improves programs.
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 | 0,014 | 0,226 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,013 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,310 | 0,116 |
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 ».