Initial diagnostic hypotheses bias analytic information processing in non‐visual domains
Notice bibliographique
Résumé
CONTEXT: Previous studies have shown that an initial diagnostic hypothesis biases automatic information processing. It is unclear if an initial hypothesis has a similar effect on analytic information processing. Our first objective was to study the effect of an initial diagnostic hypothesis on analytic processing. Our second objective was to assess the effect of clinical experience on analytic processing by evaluating the effect of clinical frequency and urgency of an alternative diagnosis on diagnosis selection. METHODS: During a 12-minute objective structured clinical examination station, 19 subspecialty medical residents diagnosed the cause of 3 clinical presentations: dyspnoea; headache, and chest pain. Subjects were randomly allocated cases for which the suggested initial hypothesis was either correct or incorrect. For cases with an incorrect initial hypothesis, the alternative diagnoses varied in the frequency with which they are encountered in clinical practice, and their clinical urgency, relative to the initial diagnostic hypothesis. RESULTS: All correct initial hypotheses were retained, compared with 10.9% of incorrect hypotheses. All cases with a correct initial hypothesis were diagnosed correctly, compared with 65.2% of cases with an incorrect hypothesis (risk ratio 1.5 [95% confidence interval 1.2-1.9], P = 0.02). Clinical frequency and urgency were not associated with alternative diagnosis selection. DISCUSSION: Our results suggest that an initial diagnostic hypothesis biases analytic processing. The data used to reject an initial hypothesis appear to drive selection of an alternative hypothesis. Further studies aimed at finding strategies for increasing the likelihood of generating a correct initial hypothesis or debiasing an initial hypothesis are needed.
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 | 0,273 |
| 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 ».