Online Health Education Program to Prevent Tobacco Use for Student Teachers during COVID-19 Pandemic in Thailand: Design, Challenges, and Outcomes
Notice bibliographique
Résumé
This study developed an online health education program by applying the Health Belief Model with social support to prevent tobacco use by student teachers and evaluated the effectiveness of the program during the COVID-19 pandemic in Thailand. This involved mixed method research divided into 2 phases, with phase 1 combining an online focus group discussion (n=8) and a literature review to develop an online health education program to prevent tobacco use, while phase 2 involved evaluating the effectiveness of the program. Phase 2 used a randomized pretest-posttest control group design consisting of an intervention group (n=30) and a control group (n=30) selected by simple random sampling for both groups from student teachers in academic years 1–5 in the Faculty of Education, Kasetsart University, Bangkok, Thailand. The result from phase 1 for the proposed program for the intervention group involved 8 weeks of online activities, including exercise, meditation, music, games and lectures by experts in public health, health education, and experiences shared by ex-smokers. Leaflets were provided to all participants in both the intervention and control groups. The results from phase 2 showed significant differences in knowledge (p < 0.000; p < 0.007), attitude (p < 0.000; p < 0.034) and risk behavior to tobacco use (p < 0.004; p < 0.025) for both the intervention and control groups at 8 weeks post-intervention compared to pre-intervention, respectively. The program could support, guidance, and contributions of the many individuals and organizations that have been involved in the online process.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 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 ».