The Effect of Mood on Medical Students' Diagnostic Performance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
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 | 0,000 | 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 | 0,000 | 0,000 |
| 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 découle