Modelling the Maternal Oral Health Knowledge, Age Group, Social-Economic Status, and Oral Health-Related Quality of Life in Stunting Children
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The main themes are two main health problems affecting children under five in Indonesia, namely nutrition and oral health. Lack of nutrition in children can also affect their general health, and so does their oral health, leading to their quality of life. The study aimed to analyse the relationship between maternal oral health knowledge, maternal age group, social-economic status with the oral health-related of life in stunting children. This type of analytical research used a survey method on 86 mothers aged 2-5 years in one of 15 villages designated by the mayor of Bandung as a stunting locus. Maternal oral health knowledge, social-economic status, and oral health-related quality of life were assessed using a set of questionnaires that have been pre-tested to non-participant mothers. The hypotheses of the conceptual model were tested using structural equation modelling-partial least squares. The results showed that 16.7% of the variance in OHRQoL was explained by maternal oral health knowledge and the maternal age group. Social-economic status has an indirect relationship to OHRQoL by predicting the maternal oral health knowledge 10.6%. The path coefficient between maternal age group and OHRQoL was the strongest (b = -0.350, P = 0.000), followed by SES and maternal oral health knowledge (b = 0.325, P = 0.04) and to OHRQoL (b = 0.215, P=0.02). The overall predictive power of the model was 10.6%. This result indicated maternal oral health knowledge, social-economic status, and maternal age group related to children's oral health quality of life.
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.
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 | 0,016 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,002 |
| 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 découle