Education Based on Precede-Proceed on Quality of Life in Elderly
Notice bibliographique
Résumé
BACKGROUND & OBJECTIVE: One of the most important challenges in public health is to improve the quality of life in elders. Aging may cause various disorders such as disabilities, high risk conditions and some chronic disease. In this study the effect of educational intervention based on precede-proceed on quality of life in elders was examined. MATERIALS & METHODS: This semi experimental study was carried out on 128 elders over 60 years in Zahedan that were randomly selected by multi-stage sampling method and divided in to control and intervention groups. Data collection tool was a triploid questionnaire that included demographic data, questions of precede-proceed constructs and SF-36 questionnaire. The validity and reliability of questionnaire confirmed by experts and Cranach's Alpha coefficient (76%). After primary data collecting, educational intervention was performed and after nine months data was collected again and analyzed in spss.16 soft-ware using descriptive and analytical statistics. RESULTS: The results showed that mean score of quality of life in participants was low and more than 61% of them had a mean score less than 50%. After intervention the mean score of quality of life only in experimental group significantly increased from 47.72 to 58.90. Behavior and self-rated health were the strongest predictors for quality of life in this study. CONCLUSION: Implementation educational intervention based on precedes-proceed model can improve quality of life in elders. Elderly women and older elderly individuals compared with elderly men and younger elderly should be considering as an important risk factor for reducing HRQOL.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».