Notice bibliographique
Résumé
Background: In many developing countries, such as India, information on human resources in the health sector is incomplete and unreliable. This prevents effective workforce planning and management. This paper aims to address this deficit by producing a more complete picture of India’s health workforce. Methods: Both the Census of India and nationally representative household surveys collect data on self-reported occupations. A representative sample drawn from the 2001 census was used to estimate key workforce indicators. Nationally representative household survey data and official estimates were used to compare and supplement census results. Results: India faces a substantial overall deficit of health workers; the density of doctors, nurses and midwifes is a quarter of the 2.3/1000 population World Health Organization benchmark. Importantly, a substantial portion of the doctors (37%), particularly in rural areas (63%) appears to be unqualified. The workforce is composed of at least as many doctors as nurses making for an inefficient skill-mix. Women comprise only one-third of the workforce. Most workers are located in urban areas and in the private sector. States with poorer health and service use outcomes have a lower health worker density. Conclusions: Among the important human resources challenges that India faces is increasing the presence of qualified health workers in underserved areas and a more efficient skill mix. An important first step is to ensure the availability of reliable and comprehensive workforce information through live workforce registers.
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 | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,698 | 0,523 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».