From face-to-face to e-learning: transitioning to new training models to strengthen the health system by supporting primary healthcare workers in low- and middle-income countries
Notice bibliographique
Résumé
Reliance on purely face-to-face in-service training for primary healthcare workers in low- and middle-income countries is increasingly unsustainable. The COVID-19 pandemic accelerated the transition of the University of Cape Town Knowledge Translation Unit's Practical Approach to Care Kit programme from a facility-based cascade model to online and blended learning formats.This paper analyses the implementation of this transition across 29 courses between 2020 and 2023 in South Africa. Using the Health System Process Goals framework, we reflect on the challenges and enablers of e-learning, shifting the focus from digital training as a standalone technical solution to a systemic enabler of health system strengthening.While e-learning expanded access and standardised content, successful implementation relied on addressing systemic barriers. Key learnings include the necessity of subsidised ('reverse-billed') data to ensure equitable access; the superiority of a 'blended' pedagogical model that combines digital content with peer interaction and in-person technical support and the value of automated reporting for workforce management. The systemic barriers included the lack of protected time for learners, which risks placing an inequitable burden on the workforce and reliance on donor funding, challenging long-term institutionalisation.For e-learning to effectively strengthen the health system, it must be integrated into administrative workflows and budget lines. We provide actionable recommendations for Ministries of Health, funders and implementers, advocating for a transition to government-owned platforms, accredited blended learning models and policy that mandates protected time for capacity development.
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 | 0,010 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».