MétaCan
Menu
Retour à la cohorte
Enregistrement W2039790015 · doi:10.1037/a0026539

Influence of familiar features on diagnosis: Instantiated features in an applied setting.

2012· article· en· W2039790015 sur OpenAlexaff
Kelly Dore, Lee R. Brooks, Bruce Weaver, Geoffrey R. Norman

Notice bibliographique

RevueJournal of Experimental Psychology Applied · 2012
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical Reasoning and Diagnostic Skills
Établissements canadiensMcMaster UniversityHamilton Health Sciences
Organismes subventionnairesnon disponible
Mots-clésCategorizationMedical diagnosisCategorical variableContext (archaeology)Feature (linguistics)Consistency (knowledge bases)Matching (statistics)Cognitive psychologyPsychologyTask (project management)Unconscious mindProcess (computing)Computer scienceArtificial intelligenceNatural language processingMachine learningMedicineMathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

Medical diagnosis can be viewed as a categorization task. There are two mechanisms whereby humans make categorical judgments: "analytical reasoning," based on explicit consideration of features and "nonanalytical reasoning," an unconscious holistic process of matching against prior exemplars. However, there is evidence that prior experience can also operate at the level of individual "instantiated" features (Brooks & Hannah, 2006). The present studies examined instantiated features in medical diagnosis. Four "pseudopsychiatric" conditions, each described by four characteristic features, were taught to undergraduate psychology students. They practiced on additional cases, then were tested on new cases with features from two conditions. In Experiment 1, diagnoses associated with familiar features presented one or three times during practice were assigned a higher probability than those with novel features. Experiment 2 showed that the impact of feature frequency was dependent on its consistency with the case diagnosis. Experiment 3 showed that the effect of feature familiarity was not confined to cases with two equiprobable diagnoses. Experiment 4 showed that the effect remained after a 24 hour delay. These four studies demonstrated that features seen in practice have a greater influence on diagnosis than novel synonyms. In fact, seeing a feature once within the appropriate context (a patient case in which it is a member of the primary diagnosis) was sufficient to form a diagnostic association equivalent to instantiations seen four times in a different context. The results of these studies have implications for theories of categorization and for teaching clinical reasoning.

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)0,005
score de la tête « metaresearch » (Gemma)0,091
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,091
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,002
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,390
Écart entre enseignants0,367 · 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

Citations13
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Experimental Psychology AppliedMême sujetClinical Reasoning and Diagnostic SkillsTravaux en français237 207