MétaCan
Menu
Retour à la cohorte
Enregistrement W4400467414 · doi:10.31983/jrg.v10i1.9318

PERBEDAAN PENGETAHUAN DAN PERILAKU KONSUMSI SAYUR BUAH SETELAH PEMBERIAN EDUKASI GIZI DENGAN VIDEO ANIMASI DAN LEAFLET PADA ANAK SD

2022· article· en· W4400467414 sur OpenAlexaff
Fajar Salekah

Notice bibliographique

RevueJURNAL RISET GIZI · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueEducational Methods and Media Use
Établissements canadiensIntertek (Canada)WiLAN (Canada)
Organismes subventionnairesnon disponible
Mots-clésAnimationSignificant differenceQuasi-experimentPsychologyMedicineMathematicsComputer scienceEnvironmental healthPopulationStatisticsComputer graphics (images)

Résumé

récupéré en direct d'OpenAlex

Background: Lack of knowledge can affect the behavior of consumption of vegetables and fruit in children. One of the ways to increase knowledge and behavior in consuming vegetables and fruit is by providing education, in educating researchers using animated videos and leaflets.Subject : The purpose of this study was to analyze differences in knowledge and behavior of fruit vegetable consumption by using video animation and leaflet methods in elementary school children in the Cibinong area.Methods: This type of research is a quasi-experimental research design with a controlled group pre-post design. Analysis of the data in this study using the Paired Sample T-test, Independent T-test and the Mann-Whitney test.Results: The results showed that there was a difference in knowledge before and after being given an intervention in the form of nutrition education with the animated video method (p = 0.000, = 29) and leaflets (p = 0.034, = 9). There was a significant difference in the consumption behavior of vegetables and fruit before and after the nutrition education intervention using animated videos (p = 0.000, = 27) and leaflets (p = 0.037, = 5).Conclusions: Based on the results of these data, it is concluded that animated videos are more effective for teaching and learning compared to leaflets.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,712
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0030,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,028
Tête enseignante GPT0,298
Écart entre enseignants0,270 · 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 tête enseignante, pas un consensus.

Devis d'étudeSans objet
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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJURNAL RISET GIZIMême sujetEducational Methods and Media UseTravaux en français237 207