Coordination of Analytic and Similarity-Based Processing Strategies and Expertise in Dermatological Diagnosis
Notice bibliographique
Résumé
BACKGROUND: Medical diagnosis may be thought of as a categorization task. Research and theory in psychology as well as medical decision making indicate at least 2 processes by which this categorization task may be accomplished: (a) analytic processing, in which one makes explicit use of clinical features to reach a diagnosis, and (b) similarity-based processing, in which one makes use of past exemplars to reach a clinical diagnosis. Recent research indicates that these 2 processes are complementary. PURPOSE: We investigate the coordination of analytic and similarity-based processes in clinical decision making to examine if the relative reliance on these 2 processes is (a) amenable to instruction and (b) dependent on level of clinical experience. METHODS: The reliance of these 2 processes was indexed by the performance of 12 preclinical medical students on cases dichotomized as typical and atypical (analytic processing) and on cases dichotomized as similar or dissimilar to cases seen previously in a training phase (similarity-based processing). RESULTS: The results indicated that both processes are operative. Of particular interest was that preclinical medical students enhanced their performance by adopting a similarity-based strategy. This was especially so for atypical cases. These results are in contrast to residents, who enhanced their performance by adopting an analytic strategy. CONCLUSIONS: The relative reliance on analytic and similarity-based processes is amenable to instruction and dependent on expertise.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».