Speed kills? Speed, accuracy, encapsulations and causal understanding
Notice bibliographique
Résumé
BACKGROUND: The role of basic science, which provides causal explanations for clinical phenomena in medical education, is poorly understood. Schmidt has postulated that expert clinicians maintain this knowledge in 'encapsulated' form, indexed by words or phrases describing the processes. In the present paper we show that students who learn causal explanations have a more coherent understanding of the relation between diseases and clinical features which, in turn, influences recognition of words or phrases describing 'encapsulated knowledge' and the ability to maintain performance under speeded conditions. HYPOTHESES: In comparison to students who simply learn the features of 4 diagnostic categories, students who learn a causal explanation will: (a) recognise words describing encapsulated knowledge more accurately and (b) maintain or improve diagnostic performance under speeded conditions. METHODS: Two studies were conducted involving 4 'pseudo-endocrinology' diseases and undergraduate psychology students. One group learned signs and symptoms alone; the second group also learned a causal explanation. In study 1, they were then given a recognition memory task. In study 2, they were asked to diagnose new cases either (i) as quickly as possible or (ii) taking their time. RESULTS: In study 1, while there was no difference in recognising old words (90% versus 91%), the causal group was better able to recognise encapsulated and novel consistent words (50% versus 41%) (P = 0.02). In study 2 there was an interaction; causal students performed better under speeded conditions (71% versus 66%) but worse under thoroughness conditions (67% versus 73%), as predicted. CONCLUSIONS: Causal understanding leads to more coherent understanding of clinical conditions, which in turn leads to expert-like behaviour.
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 | 0,053 |
| 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) | 0,001 | 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 ».