Pengetahuan Tentang Anemia pada Remaja dan Dewasa Muda di Jakarta dan Jawa Barat: Survei Demografi dan Kesehatan Indonesia 2017
Notice bibliographique
Résumé
Pendahuluan: Anemia di negara berkembang sering dikaitkan dengan kurangnya zat besi dalam nutrisi. Pengetahuan remaja perlu digali untuk mengetahui berbagai penyebab anemia, misalnya hemoglobinopati karena Indonesia terletak di daerah sabuk talasemia dengan 6-10% populasi adalah karir talasemia. Tujuan penelitian mengeksplorasi pengetahuan tentang anemia pada remaja dan dewasa muda di Jakarta dan Jawa Barat.Metode: Penelitian deskriptif analitik menggunakan data sekunder hasil Survei Demografi dan Kesehatan Indonesia (SDKI) 2017. Remaja dan dewasa muda (n=5389) yang belum menikah berusia 15-24 tahun diberikan kuesioner, diantaranya mengenai definisi, penyebab dan cara mengatasi anemia. Pengetahuan dibandingkan antara tempat, jenis kelamin dan kelompok usia.Hasil: Walaupun 70% remaja pernah mendengar tentang anemia, pengetahuan tentang anemia umumnya kurang. Pengetahuan anemia pada remaja di Jakarta, wanita dan kelompok usia 20-24 tahun lebih baik. Definisi anemia yang disebutkan adalah kekurangan darah (48%), hanya 5% mengatakan kekurangan zat besi. Penyebab anemia tersering kekurangan makan sayuran (21%) dan daging (18%). Cara mengatasi anemia dengan tablet tambah darah (38%), hanya 9% menyebutkan tablet zat besi. Tidak ada responden yang meyebutkan talasemia sebagai penyebab anemia.Kesimpulan: Pengetahuan anemia pada remaja dan dewasa muda di Jakarta dan Jawa Barat masih belum memadai. Perlu dilakukan sosialisasi mengenai berbagai penyebab anemia. Karir talasemia sebagai salah satu penyebab anemia perlu diperkenalkan kepada remaja dan dewasa muda yang belum menikah.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,005 | 0,001 |
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 ».