Welcome to AfricArXiv

This initiative showcases UbuntuNet's commitment to fostering knowledge sharing, collaboration, and accessibility within the African research community. With AfricArxiv, researchers across the continent have a dedicated platform to disseminate their findings, making them accessible to a global audience. By facilitating open access to scholarly work, UbuntuNet Alliance plays a pivotal role in advancing the principles of open science, enhancing research visibility, and driving innovation across Africa.

 

Communities in AfricArxiv

Select a community to browse its collections.

Now showing 1 - 5 of 5

Recent Submissions

Thumbnail Image
Publication
Analyse qualitative des conséquences inattendues d'une intervention de transfert monétaire conditionnel basé sur l'argent mobile pour encourager l'utilisation des soins de santé dans le sud de Madagascar
(BMC Health Services, 2025-02-09) Franke, Mara Anna
Introduction : Les interventions de transfert d'argent, y compris celles utilisant l'argent mobile, sont de plus en plus répandues, en particulier en Afrique subsaharienne. Comme ces interventions peuvent avoir des conséquences inattendues positives et négatives importantes, des analyses supplémentaires sont nécessaires pour identifier ces conséquences. Méthodes : Nous avons étudié les conséquences inattendues d'une intervention de transfert monétaire conditionnel basé sur l'argent mobile mise en œuvre dans quinze établissements de santé du sud de Madagascar. L'intervention a offert une couverture partielle des coûts pour les patients cherchant des soins pour des conditions potentiellement mortelles, des accidents et des blessures, des soins maternels ou pédiatriques entre février 2021 et juin 2022. Nous avons effectué une analyse qualitative des entretiens approfondis avec les prestataires de soins de santé, les bénéficiaires de l'intervention et le personnel chargé de la mise en œuvre du projet en utilisant une analyse thématique réflexive. Résultats : Nous avons identifié trois conséquences inattendues positives et trois conséquences inattendues négatives de l'intervention. Les principales conséquences positives inattendues sont : i) l'amélioration de la qualité des soins, ii) l'amélioration des relations interpersonnelles, y compris entre les patients et les prestataires et entre les prestataires de soins, et iii) le développement des compétences numériques des prestataires de soins et l'augmentation de la confiance dans l'argent mobile. Les trois principales conséquences négatives que nous avons identifiées sont : i) la surpopulation des établissements, ii) l'augmentation du coût des soins et iii) les cas d'emprisonnement à l'hôpital. Conclusions : Les concepteurs et les responsables de la mise en œuvre des futures interventions de transfert d'argent mobile devraient examiner attentivement et chercher de manière proactive à tirer parti des conséquences positives et à atténuer les conséquences négatives inattendues des interventions de transfert monétaire conditionnel basé sur l'argent mobile pour les soins de santé, telles que celles mises en évidence dans notre travail.
Thumbnail Image
Item
CERN–UNESCO–NFR School on Open Science
(NRF, 2025-02-17) NRF
Thumbnail Image
Item
Making African Research Visible
(2025-02-18) Bowa, Harold
Sample abstract
Thumbnail Image
Item
HYBRID NEURAL NETWORK MODELS FOR PRIVACY-PRESERVING DATA PROCESSING
(2025)
In the era of big data, the need to balance efficient data processing with robust privacy safeguards has become increasingly critical. This paper explores Hybrid Neural Network Models as a promising solution for privacy-preserving data processing. By integrating the strengths of traditional neural architectures (such as Convolutional Neural Networks and Recurrent Neural Networks) with privacy-enhancing technologies like differential privacy, federated learning, and homomorphic encryption, hybrid models can achieve high performance without compromising sensitive information. We discuss architectural designs that optimize both data utility and privacy protection, focusing on adaptive learning mechanisms that minimize data exposure during training and inference. Experimental evaluations across diverse datasets demonstrate that these models maintain competitive accuracy while significantly reducing privacy risks. This research highlights the potential of hybrid neural networks to enable secure, scalable, and efficient data processing in privacy-sensitive domains such as healthcare, finance, and IoT.
Thumbnail Image
Item
APPLICATIONS OF CONVOLUTIONAL NEURAL NETWORKS (CNNS) IN MEDICAL IMAGE SECURITY
(2025)
The rapid growth of digital healthcare systems has led to an increasing reliance on medical imaging for diagnosis and treatment, raising significant concerns regarding data security and patient privacy. Convolutional Neural Networks (CNNs), a class of deep learning algorithms renowned for their exceptional performance in image analysis, have emerged as powerful tools for enhancing medical image security. This abstract explores the diverse applications of CNNs in securing medical images, including encryption, authentication, watermarking, and anomaly detection. CNNs can learn complex patterns and features, enabling robust image encryption techniques that protect data against unauthorized access and tampering. Additionally, CNN-based watermarking ensures data integrity and authentication without compromising image quality, while their ability to detect subtle anomalies helps identify potential security breaches. The integration of CNNs in medical image security not only improves data protection but also ensures compliance with stringent healthcare regulations, safeguarding patient confidentiality in the digital era. This paper highlights recent advancements, challenges, and future directions in leveraging CNNs for comprehensive medical image security solutions.