Edukasi Hipertensi dan Pelatihan Pembuatan Teh Herbal Kombinasi Daun Pegagan (Centella asiatica) Dan Rimpang Kunyit (Curcuma longa) Sebagai Minuman Kesehatan Antihipertensi
Notice bibliographique
Résumé
Kecenderungan jumlah penderita hipertensi yang terus meningkat setiap tahunnya, memerlukan upaya pengendalian untuk mencegah resiko komplikasi kardiovaskular. Secara empiris daun pegagan dan rimpang kunyit telah dimanfaatkan oleh masyarakat untuk mengatasi berbagai macam penyakit termasuk hipertensi. Pemerintah melalui kemenkes telah menetapkan fokus riset dan pemanfaatan bahan alam untuk mengelola hipertensi. Penelitian ini bertujuan untuk memberikan edukasi pengelolaan hipertensi serta pelatihan pembuatan teh herbal yang mengandung daun pegagan dan rimpang kunyit sebagai minuman kesehatan antihipertensi. Kegiatan dilaksanakan di keluraha Padasuka RW05 yang bekerja sama dengan ketua RW dan ketua PKK kelurahan Padasuka. Edukasi dilakukan melalui metode ceramah dan diskusi. Selanjutnya masyarakat mendapat pelatihan cara membuat teh herbal hasil riset kampus yang mengandung daun pegagan dan rimpang kunyit serta pemanis stevia. Kegiatan diakhiri dengan minum teh herbal bersama. Kegiatan ini bermanfaat meningkatkan nilai guna tanaman herbal daun pegagan dan rimpang kunyit yang sudah dikenal oleh masyarakat, meningkatkan pengetahuan untuk mengendalikan hipertensi serta meningkatkan keterampilan masyarakat dalam membuat teh herbal.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».