Challenges and opportunities for advancing data-driven WASH programming: Reflections from the UNC Chapel Hill Water and Health Conference side event "DATA: A key for unlocking quality in WASH programming"
Notice bibliographique
Résumé
Achieving universal and equitable WASH services requires accurate, data-driven understanding of context, needs, and evidence. Investing in data systems enables stakeholders to assess needs, identify priorities, and allocate resources efficiently. As researchers and practitioners working in low- and middle-income countries (LMICs), we have never had greater access to data. However, there is still much that we can learn about how to translate this data into action in the pursuit of more effective, equitable, and accountable WASH programming. During the 2023 Water & Health Conference at the University of North Carolina, Chapel Hill, we convened a meeting of WASH researchers, practitioners, and data specialists to discuss the current state and trajectory of data-driven WASH programming in LMIC contexts. Our goals were to identify opportunities for the application of data to drive improvements in WASH programme quality, and to foster collaboration among organisations working in this space. Here we summarise four emergent themes, documenting examples of, and recommendations for, action. We aim this article at academic researchers, practitioners, and governments, particularly those involved in the design, implementation, and evaluation of WASH programmes in LMICs and in humanitarian contexts. We acknowledge that our perspectives are primarily rooted in the USA, Canada, and Europe, and recognize that a more globally inclusive dialogue around WASH data is needed to build a more comprehensive understanding of these issues.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».