Nutrition knowledge competencies of intermediate and senior phase educators in Limpopo Province
Notice bibliographique
Résumé
Background: Children’s food preferences and willingness to try new foods are influenced by the people around them, including families and teachers. The eating behaviours children practise early in life may continue to shape their food attitudes and eating patterns through adulthood.Aim: The purpose of this study was to explore the nutrition knowledge competencies of educators in primary schools.Setting: This study was conducted in Makhuduthamaga local municipality, Limpopo Province, South Africa.Methods: This study adopted a quantitative, descriptive and exploratory research design. A simple random sampling technique was used to select 30 primary schools and purposively select 200 educators responsible for Grades 5–7. The data were analysed using the Statistical Package for Social Science (SPSS), version 21.Results: Of the 200 educators, 66.5% were women and 34% were trained at a college and had teaching experience of between 21 and 30 years. Most of the educators knew the importance of carbohydrates, fat, vegetables and fruits. Only a quarter (26%) of educators knew the importance of protein, although 75.5% knew that protein forms part of a balanced diet. The overall knowledge score revealed that 92% of the educators had a poor knowledge score. There was no significant difference among selected socio-demographic characteristics, such as level of education (p = 0.129), training institution (p = 0.534) and nutrition knowledge (p 0.05).Conclusion: The overall nutrition knowledge of educators was poor, with about half of the educators reporting that their training was the main determinant of their nutrition knowledge. Therefore, there is a need for the incorporation of nutrition content into the training curriculum of educators.
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 | 0,000 | 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 ».