MétaCan
Menu
Retour à la cohorte
Enregistrement W100414826 · doi:10.3233/978-1-60750-028-5-773

The Effect of Mood on Medical Students' Diagnostic Performance

2009· book-chapter· en· W100414826 sur OpenAlexaff
John Ranellucci, Susanne P. Lajoie

Notice bibliographique

RevueFrontiers in artificial intelligence and applications · 2009
Typebook-chapter
Langueen
DomainePsychology
ThématiqueLearning Styles and Cognitive Differences
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésMoodFeelingAffect (linguistics)CognitionContext (archaeology)PsychologyField (mathematics)Isolation (microbiology)Cognitive psychologyApplied psychologySocial psychologyPsychiatry

Résumé

récupéré en direct d'OpenAlex

It is clear that mood and emotion play an important role in how people deal with problems [1]. The problem-solving strategies adopted by people when they are in a happy mood are quite different than the strategies used by people when they are in a sad mood [1]. It is also well documented in the literature that individuals’ affective feelings influence their evaluative judgment, strategies of information processing, and the type of information retrieved from memory [1]. One area where this knowledge has important implications is in the design, application, and effectiveness of cognitive tools. Cognitive tools are tools that “help students during thinking, problem solving, or learning by providing them with opportunities to practice applying their knowledge in the context of complex, meaningful activities rather than in isolation of their ultimate use” (p. 88) [2]. A computer-based learning environment (CBLE) incorporating a number of cognitive tools of particular interest for this paper is called BioWorld [2]. BioWorld provides medical students with instruction, model proficiency, and an assessment of their knowledge in a more authentic scenario than standard classroom learning [2]. These tools have been shown to effectively promote scientific reasoning in high school students [3], and have been adapted for use with medical students. We propose replicating the emotional side of working in the medical field by manipulating the affect of students before they engage in a BioWorld problem. Addressing the relationship between mood and doctors’ performance is extremely important, especially with researchers suggesting that these types of emotions are normal, inevitable, and capable of negatively effecting patient care [4].

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,320
Écart entre enseignants0,303 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in artificial intelligence and applicationsMême sujetLearning Styles and Cognitive DifferencesTravaux en français237 207