The Effect of Brain Training Game activities on Improvement of Cognitive Function measured by Montreal Cognitive Assesment Indonesia version \n(MoCA-Ina)
Notice bibliographique
Résumé
Background: The function of cognition in young adults (around the age of 20 years) mostly does not \ndevelop to its peak, even though at that age a person needs better cognitive abilities to deal with the lectures. \nBrain training game activities by playing games through the NeuronationTM application can improve cognitive \nfunction. \nObjective: To determine the effect of Brain training activities on improvement of cognitive function \nMethod Experimental study with two group pre and post design. 74 Sample were medical students of \nFaculty of Medicine, University of Muhammadiyah Malang class of 2017-2018, divided into control and \ntreatment groups of 37 samples each. The treatment group was given by game brain game training 30 minutes \na day, 20 times in 4 weeks.. Cognitive function was measured by the MoCA-Ina test in the control group and \npre and post test. The hypothesis test used the pairet samples test. \nResult: Cognitive function of pre and post test of the control group good cognitive function increased 2.69% \nand cognitive function of pre and post test of treatment group increased 58.8% with the result of pairet \nsample analysis of significant p = 0,000 which means that in the control group there was a tendency for \nincreased function cognition after treatment (post test) but the improvement was not significant. In the \ntreatment group with brain training activities cognitive function increased sharply and statistically significant, \nConclusion: Brain training activities affect the improvement of cognitive function
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».