Building Research Capacity : a Case Study About Maternal-Child Health Researchers in Nigeria and Canada
Notice bibliographique
Résumé
Background: To achieve the third Sustainable Development Goal (SDG) of good health and well-being, particularly as it relates to maternal-newborn health, research and policy in LMICs must reflect and account for context specific health needs. It is imperative that midwives, nurses, and other health care providers are therefore equipped with the research and advocacy tools necessary to respond and account for such needs.Purpose: To share the preliminary findings of a case study which explored resiliency and capacity building within the context of collaborative partnerships between maternal-child health researchers in Canada and Nigeria.Methods: Stakeu2019s (1995) principles of qualitative case study guided this research. Following ethical approval, data was collected using individual face to face and skype interviews. Interviews were conducted with key stakeholders located in Nigeria and Canada. Interviews were transcribed verbatim and thematic analysis was used for analysis. Findings: Findings will be presented as they relate to the ongoing collaborative relationships between maternal-child health researchers in Nigeria and Canada. Presented findings will address; strengths of the relationships, challenges of conducting global maternal-child health research, and ideas to enhance the capacity of maternal-child health research in LMICs.Conclusions: Ongoing global partnerships and mentoring are crucial for building research capacity in LMICs. Resiliency and leadership are key to the maintenance of such relationships and mentoring. Implications for practice: These findings have the potential to inform policies that aim to strengthen maternal-child health research globally.
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 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 | 0,019 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,051 | 0,022 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,017 | 0,014 |
| Science ouverte | 0,015 | 0,028 |
| Intégrité de la recherche | 0,001 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».