Efektivitas Mobile Health “Nifas Sehat” terhadap Selfcare Agency pada Ibu Nifas Primigravida
Notice bibliographique
Résumé
The World Health Organization (WHO) reported that in 2019, there were 303,000 maternal deaths worldwide, with 99% of them occurring in developing countries. According to the Ministry of Health, the maternal mortality rate in Indonesia was 305 per 100,000 live births in 2012-2015, dropping to 240 per 100,000 live births in 2019. However, this figure is still high compared to developed countries which have a maternal mortality rate of 14 per 100,000 live births.The postpartum period is a critical period for mothers, where 60% of maternal deaths occur after delivery and 50% of these deaths occur in the first 24 hours of the postpartum period. Complications during the postpartum period occur in 73% of cases, but not all of them result in maternal death. Primigravida is a term used to describe a woman who is pregnant for the first time. According to WHO data, the maternal mortality rate for primigravida women is higher than for multigravida women. The most common causes of maternal death in Indonesia are bleeding, hypertension during pregnancy, and infection. The Ministry of Health is working to improve the health service system to reduce maternal and infant mortality rates, including during the Covid-19 pandemic. The aim of this study was to measure the level of self-care agency in primigravida postpartum mothers before and after using mobile health "Sehat Postpartum".
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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; 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 ».