Utilisation des données probantes pour la prise de décision en santé publique au Burkina Faso
Bibliographic record
Abstract
Introduction : La prise de décision éclairée par les données probantes est une stratégie efficace pour répondre aux besoins de santé des populations. Cependant au Burkina Faso, le concept d’utilisation des données probantes pour la prise de décision rencontre des difficultés. La présente étude avait pour objectif d’identifier les obstacles à l’utilisation des données probantes pour la prise de décision au ministère de la Santé et de l’Hygiène Publique du Burkina Faso. Méthodes : Il s’est agi d’une étude qualitative qui a consisté à la réalisation d’entretiens individuels semi-structurés avec des informateurs clés. Une analyse thématique a été réalisée à l’aide du logiciel de traitement de données qualitatives NVivo 12. Résultats : Les principaux obstacles à l’utilisation des données probantes pour la prise de décision étaient : l’insuffisance de financement pour la production et la valorisation des résultats de recherche, la qualité insuffisante des données, les difficultés d’accès aux résultats, l’insuffisance d’interaction entre les acteurs, l’inadéquation entre les besoins du ministère et les recherches menées, les conflits d’intérêts, l’influence des partenaires et le format inadéquat de présentation des résultats de recherche. Conclusion : Cette étude a permis de mettre en évidence les défis liés à l’utilisation des données probantes pour la prise de décision en santé publique au sein du ministère de la Santé et de l’Hygiène Publique du Burkina Faso. Traiter ces obstacles pourrait contribuer à améliorer la prise de décision éclairée par les données probantes pour soutenir les interventions de santé publique favorables à la santé des populations.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.080 | 0.168 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".