Faktor-Faktor Yang Berhubungan Dengan Pemeriksaan Iva (Inspeksi Visual Asam Asetat) Pada Pus (Pasangan Usia Subur) Di Wilayah Kerja Puskesmas Mataraman Tahun 2020
Notice bibliographique
Résumé
pemeriksaan IVA di wilayah kerja Puskesmas Mataraman terjadi penurunan dari tahun 2018 terdapat 400 orang (9%) dari sasaran 4.416 menjadi 285 (6%) orang dari sasaran 4.416 pada tahun 2019. Faktor penyebab rendahnya pemeriksaan IVA dipengaruhi oleh factor sikap, dukungan keluarga (suami), dukungan tenaga kesehatan dan jarak ke fasilitas kesehatan. Tujuan mengetahui faktor-faktor yang berhubungan dengan pemeriksaan IVA (Inspeksi Visual Asam Asetat) pada PUS (PUS) di wilayah kerja Mataraman tahun 2020. Rancangan penelitian ini adalah menggunakan metode Survey Analitik dan menggunakan pendekatan Cross Sectional. Populasi pada penelitian seluruh PUS usia 30-50 tahun yang sudah melakukan hubungan seksual di wilayah kerja Puskesmas Mataraman. Teknik pengambilan sampel pada penelitian ini adalah Accidental Sampling. Jumlah sampel pada penelitian 237 PUS. Intrumen penelitian adalah kuesioner. Analisis data yang digunakan pada penelitian ini adalah uji statistic Chi Square (a= 0,05). Hasil uji statistic menunjukkan ada hubungan sikap (p=0,03), dukungan keluarga (suami) (p=0,03), dukungan tenaga kesehatan (p=0,001), jarak (p=0,119) dengan pemeriksaan IVA. Kata Kunci: Sikap, Dukungan Keluarga (Suami), Dukungan Tenaga Kesehatan Jarak dengan Pemeriksaan IVA
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,003 |
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 ».