UPAYA PENCEGAHAN STUNTING SEJAK PRA KONSEPSI MELALUI MODUL NKR_CATEN DAN KONSELING
Notice bibliographique
Résumé
Prevalensi balita stunting di Kalimantan Selatan tahun 2018 sebesar 31%, balita kurus dan sangat kurus sebesar 10,2%. Di Kabupaten Banjar jumlah kecamatan yang bebas rawan gizi hanya 31,5%. Faktor yang mempengaruhi masalah gizi pada bayi maupun balita meliputi kondisi fisik, umur dan pengetahuan ibu. Status gizi dan asupan nutrisi yang baik pada pra-kehamilan ikut menentukan dan dapat diantisipasi sejak dini. Calon penganten (Caten ) merupakan sasaran yang tepat dalam pencegahan permasalahan gizi. Tujuan kegiatan ini adalah untuk meningkatkan pengetahuan pasangan caten tentang kesehatan reproduksi, nutrisi, dan tumbuh kembang bayi. Metode kegiatan: 1) pembuatan modul NKR_CATEN; 2) pencetakan modul; 3) membagikan modul sekaligus pemberian konseling kepada calon penganten; dan 4) Evaluasi kegiatan. Mitra kegiatan yaitu Kantor Urusan Agama (KUA) Kecamatan Martapura Barat. Hasil kegiatan didapatkan usia calon penganten yang terlibat kegiatan ini rata-rata di atas 20 tahun dan pendidikan setingkat SMA dan PT sebanyak 50%. Hal ini menjadi modal yang baik bagi caten untuk memberikan pengasuhan bagi anak-anaknya. Setelah pemberian modul NKR_CATEN dan konseling pada calon penganten terlihat peningkatan pengetahuan calon penganten pada saat posttest. Nilai rerata yang diperoleh lebih tinggi dibanding pretest. Kesimpulan: pemberian modul NKR-CATEN dapat meningkatkan pengetahuan calon penganten mengenai nutrisi dan kesehatan reproduksi. Diharapkan modul NKR-CATEN dapat diterapkan di tempat lain.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».