KEPERAWATAN KELUARGA HOLISTIK: Pendekatan Deep Learning untuk Praktik Klinis dan Berpikir Kritis: Sebuah Panduan Komprehensif untuk Perawat Profesional
Bibliographic record
Abstract
Buku Keperawatan Keluarga Holistik: Pendekatan Deep Learning untuk Praktik Klinis dan Berpikir Kritis ini memberikan panduan secara komprehensif yang berlandaskan pembelajaran mendalam (deep learning). Melalui pendekatan secara klinis menuntun pembaca memahami hubungan sebab-akibat gejala sehingga mampu mengambil keputusan secara etis dan tepat. Buku ini memadukan teori sistem keluarga (Bowen dan General Systems), alat asesmen genogram dan ekomap, serta model Calgary (CFAM/CFIM). Perawat dapat menggunakan perangkat tersebut untuk memetakan struktur, fungsi, dan dinamika keluarga secara sistematis di berbagai konteks. Pembaca kemudian akan mampu merumuskan hipotesis keperawatan, menetapkan prioritas masalah, dan merancang intervensi pada domain kognitif, afektif, dan perilaku. Pada bab-bab buku ini menyoroti determinan sosial kesehatan, aspek budaya dan spiritual Indonesia, serta prinsip etika praktik yang manusiawi. Melalui pembelajaran studi kasus interkultural dapat melatih pembaca menguji konsep pada situasi nyata dan mengevaluasi hasil perubahan dalam keluarga. Tujuan pembelajaran yang jelas dan aktivitas analisis kritis membantu mahasiswa, dosen, dan perawat klinis mengintegrasikan ilmu dengan layanan. Bahasa buku yang ringkas, contoh kerja lapangan, dan langkah praktis memudahkan penerapan di kelas, puskesmas, rumah, dan komunitas. Secara keseluruhan, buku ini memberikan informasi pada fokus layanan dari mengelola gejala menjadi memperkuat sistem keluarga secara berkelanjutan. Pada akhirnya buku akan dapat membantu pembaca dalam praktik yang reflektif, kolaboratif, dan berorientasi pada pemberdayaan keluarga di berbagai setting pelayanan kesehatan.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".