MétaCan
Menu
Retour à la cohorte
Enregistrement W4384910548 · doi:10.5539/hes.v13n3p117

Regular Provision of Meals during Schools Days and Learner Participation in Public Primary Schools in Makueni County, Kenya

2023· article· en· W4384910548 sur OpenAlexvenueno aff
Mary Mbithe Mwanthi, Charles Misiko Wafula, John Mbugua

Notice bibliographique

RevueHigher Education Studies · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiquePoverty, Education, and Child Welfare
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNonprobability samplingSimple random sampleMedical educationPearson product-moment correlation coefficientDescriptive statisticsResearch designPsychologySample (material)PopulationData collectionQualitative researchQualitative propertySociologyMedicineSocial scienceStatisticsEnvironmental healthMathematics

Résumé

récupéré en direct d'OpenAlex

School Feeding Programme strategies enable primary pupils to qualify for high nutritious school meals, comprehensive health package and nutritious services. The purpose of the study was to establish how school meals programme strategies, monitoring and evaluation practices influence learner participation in Public Primary Schools in Makueni County, Kenya. The objective of the article is to examine how regular provision of meals during school days influence learner participation in Public Primary Schools in Makueni County, Kenya. The study was anchored on; Social Learning Theory. Pragmatism Paradigm guides the study as it delivers for the usage of quantitative and qualitative approaches of research. Descriptive research survey design and correlation research design were employed. Target population was 875 people comprising County Education Officers, Sub County Education Officers, and Chairpersons- Board of Management, Head teachers, Teachers and learners in SFP. Using Yamane’s formula, a sample size of 275 was drawn. Purposive sampling, simple random methods were employed to select appropriate sample size. Closed and open ended questionnaire, and interview guide were employed to gather research information. Pilot testing to assess validity and reliability of the study instruments was conducted in Machakos County. Quantitative and qualitative information were analyzed using descriptive, and inferential statistics. Data was analyzed using SPSS software version 25 and results presented. To demonstrate the strength and association of the variables under investigation, several linear regression models were used. Pearson's Product Moment Correlation coefficient(r) was computed. The coefficient determination R2 is 0.440 this is an indicator that R2 was coefficient of determination of this model and it depicted that regular provision of meals during school days explained 44%. The remaining 56% was explained by other factors and the overall F statistics was 11.510. The findings were presented in tables with correlations, regressions, mean, standard deviations, frequencies and percentages. Null hypotheses was tested, and the study findings were: There is no significant association between regular provision of meals in school days and learner participation in public primary schools was rejected (P-value 0.001< 0.05) implying a statistical significant relationship between regular Provision of meals in school days and learner participation in public primary schools. The study concluded there were significant associations between regular provision of meal during school days and learner participation in Makueni county public primary schools. The study recommends that Government Ministries of Education, Health and relevant Authorities, Head Teachers, Teachers, Chairpersons -BOM need to provide regular meals and dedicate adequate resources to sustain learner participation in Public Primary Schools in Makueni County, Kenya. Further, this study on regular Provision of meals in school days and learner participation in public primary schools focused on Makueni county public primary schools only. A similar designed study targeting more other counties across the country should be conducted.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,049
Score d'incertitude au seuil0,097

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,365
Écart entre enseignants0,313 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHigher Education StudiesMême sujetPoverty, Education, and Child WelfareTravaux en français237 207