A web-based test of residents' skills in diagnostic radiology.
Notice bibliographique
Résumé
PURPOSE: To develop an objective, Web-based tool for evaluating residents' knowledge of diagnostic radiology. METHODS: We developed and tested a Web-based evaluation tool (the Diagnostic Radiology Skills Test) that consists of 3 tests, one in each of 3 domains of diagnostic radiology: chest, gastrointestinal, and musculoskeletal imaging. Each test comprises 30 cases representing a range of difficulty in the domain, including normal states, normal variants, typical cases of common diagnoses, and cases with more subtle findings. Cases are presented with a long menu of domain-specific possible diagnoses (response options), each coded for diagnostic appropriateness. Our subjects were 21 residents in postgraduate year (PGY) 2 to 5 and 11 experts in diagnostic radiology. Subjects accessed the tool via a Web site on our Web server. Residents' test results were compared for reliability and validity across domain, case, and training level. In addition, results were correlated with commonly used established and objective evaluation tools. RESULTS: The tool demonstrated consistent monotonic improvement in performance with training level. It showed acceptable reliability in discriminating between residents at different performance levels, both within and across training levels (r= 0.53 within level and 0.69 across levels). Test results also had concurrent validity against the American College of Radiology In-Training Examination, a widely accepted objective assessment tool (r = 0.65, P < 0.01), and 2 Objective Structured Clinical Examinations (OSCEs) focusing on diagnostic skills (r= 0.78 and r= 0.69, P < 0.01, respectively). CONCLUSIONS: Our study demonstrates the feasibility of a Web-based, standardized, objective assessment method for evaluating residents' performance.
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 | 0,000 | 0,006 |
| 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 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 ».