Independent Evaluation of the Reduction of Maternal and Neonatal Mortality in Kenya: Formative Evaluation Findings
Notice bibliographique
Résumé
Too many women in Kenya are dying in childbirth. Too many newborn babies don’t survive the first month of their lives. \nThe Government of Kenya is responding with support from international partners. Since 2013, maternity services \nhave been provided free of charge by government hospitals and health centres. However, many challenges remain. There is a strong tradition of home deliveries and hospitals or health centres are often far away. The roads to reach the health centres may not be safe at night, or the fare for the taxi may not be affordable. Throughout the country there is a severe shortage of trained doctors and midwives and many health centres are poorly equipped and may not even have electricity or running water. The DFID-funded Reduction of Maternal and Neonatal Mortality Programme (MNH Programme) started to address these issues in 2014 with a grant of £75.3 million over five years. It is active in six counties, home of nearly one quarter of the Kenya’s population of about 48 million. The midterm evaluation in 2016 found that the MNH Programme addresses some key causes of maternal and newborn health with an appropriate mix of interventions to strengthen the Kenyan health system at all levels, including in the communities. The implementation of some MNH Programme components started late. Training of doctors and midwives in emergency obstetric care was one of the first sets of activities to get underway, and it has started to show results. In 2016, it was, however, still too early for a robust assessment of the number of deaths averted by the programme. Nevertheless, the information collected and documented by the evaluation will serve as a valuable baseline on \nwhich such an assessment can be made in 2018 when the 5-year MNH Programme will be nearing its end.
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 | 0,118 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; 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 ».