Stunting Super App as an Effort Toward Stunting Management in Indonesia: Delphi and Pilot Study
Notice bibliographique
Résumé
Background: Currently, 30 million children are experiencing acute malnutrition, and 8 million children are severely underweight. Objective: This study aimed to develop a stunting super app, a one-stop app designed to prevent and manage stunting in Indonesia. Methods: This study consisted of three stages. Stage 1 used a 3-round Delphi study involving 12 experts. In stage 2, 4 experts and a parent of children with stunted growth created an Android app containing stunting educational materials. In stage 3, a pilot study involving a control group was conducted to evaluate parents' knowledge about stunting prevention through the app and standard interventions. Results: In the Delphi study, 11 consensus statements were extracted; arranged in three major themes, including maternal health education, child health education, and environmental education; and applied in the form of the Sistem Evaluasi Kesehatan Anak Tumbuh Ideal (SEHATI) app. This app was assessed using a content validity index, with a cumulative agreement of ≥80% among the 5 individuals. The pilot study showed an increase in the knowledge of mothers of toddlers with stunted growth before and after the educational intervention (P=.001). Conclusions: The SEHATI app provides educational content on stunting prevention that can increase the knowledge of mothers of toddlers with stunted growth.
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 | 0,023 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».