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 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 | 0,011 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».