PENGARUH GAME BRAIN TRAINING TERHADAP PENINGKATAN FUNGSI KOGNITIF DI UKUR DENGAN MONTREAL COGNITIVE ASSESMENT VERSI INDONESIA (MOCA-INA) PADA MAHASISWA FAKULTAS KEDOKTERAN UNIVERSITAS MUHAMMADIYAH MALANG
Notice bibliographique
Résumé
Background: Cognitive function of young adults (about the age of 20) mostly is not well developed, On that age, people needs better cognitive abilities to make adaptation as the new student of university. There are many ways to increase the cognitive function, one of them is brain training. Interestingly brain training can be done by game. The cognitive function can be measured by the more specific and sensitive tools i.e MoCA-Ina test. \nObjective: To determine the effect of brain training on improvement of cognitive function among medical students of Faculty of Medicine Universitas Muhamadiyah Malang. \nMethod: Experimental study with one group pre and post design. The subjects were medical students of Faculty of Medicine Universitas Muhamadiyah Malang that was applied by game brain training 30 minutes a day, 20 times in 4 weeks. Cognitive function was measured by MoCA-Ina test. Hypothesis tests was using Mc Nemar. \nResult: The percentage score of cognitive function before the intervention of NeuronationTM brain training was 24,97 and the percentage score after the intervention was 28,16. It shows improvement of cognitive function score after the intervention. McNemar test showed P of 0,000 (P<0,001), it means that game brain training increased cognitive function significantly. \nConclusion: The use of NeuronationTM brain training increased cognitive function significantly. \nKey words : Cognitive function, brain training, MoCA-Ina test, NeuronationTM.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».