REFRESHING PENYULUHAN TANDA-TANDA BAHAYA KEHAMILAN MENGGUNAKAN BUKU KIA PADA KELAS IBU HAMIL DI WILAYAH KERJA PUSKESMAS KARANG PULE
Notice bibliographique
Résumé
Komplikasi kehamilan dan persalinan penyebab utama kematian wanita pada usia reproduksi. Lebih dari satu wanita meninggal setiap menit dari penyebab komplikasi, atau ini berarti 585.000 wanita meninggal setiap tahun. AKI di Indonesia secara nasional sebesar 390 per 100.000 kelahiran hidup dan merupakan angka tertinggi dibanding dengan Negara-negara ASEAN lainnya (SDKI, 2013), dengan meningkatnya pengetahuan tentang tanda bahaya pada kehamilan, maka dapat membantu menurunkan AKI, karena ibu hamil memiliki bekal informasi tempat pelayanan kesehatan sebagai upaya deteksi dini. Tujuan pengabdian ini untuk memberikan penyuluhan tentang tanda-tanda bahaya pada ibu hamil. Metode Pengabdian ini menggunakan jenis observasional dengan rancangan cross sectional. Sasaran responden pengabdian yaitu ibu hamil trimester I, II dan III sejumlah 25 responden yang berada di Wilayah Kerja Puskesmas Karang Pule. Teknik pengambilan sampel dengan aksidental sampling, pelaksanaan pengabdian dengan melakukan pre test dan post test tentang pengetahuan ibu hamil sebelum diberikan penyuluhan dan setelah diberikan penyuluhan. Hasil Pengabdian ini didapatkan pengetahuan responden tentang tanda-tanda bahaya kehamilan mengalami peningkatan dengan nilai rata-rata pre test sebesar 7.8 menjadi 9.2 saat post test dan keseluruhan responden memiliki pengetahuan baik sebanyak 25 responden (100%). Kesimpulan dari pengabdian ini bahwa didapatkan pengaruh baik dari hasil penyuluhan tentang tanda-tanda bahaya kehamilan pada seluruh responden.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».