Giving Learners the Best of Both Worlds: Do Clinical Teachers Need to Guard Against Teaching Pattern Recognition to Novices?
Notice bibliographique
Résumé
PURPOSE: There has been much debate in the medical education literature regarding the extent to which feature-driven and nonanalytic (similarity-based) reasoning strategies define expertise, but the relative value of teaching these strategies, together or in isolation, remains uncertain. The purpose of this study was to compare the diagnostic accuracy achieved upon receiving instruction to use each strategy in isolation to that of a combined approach. METHOD: In 2003-04, 48 undergraduate psychology students from McMaster University in Ontario, Canada, were taught to diagnose ten cardiac disorders (including normal) via electrocardiogram (ECG) presentation. Twelve students were instructed to carefully identify all features present before assigning a diagnosis (feature first). Twelve were given the same instruction with notice that some test ECGs had been seen during training (implicit combined). Twelve were simply instructed to trust familiarity and diagnose based on this impression (similarity-based). Finally, 12 students were given feature first and similarity-based instructions in combination (explicit combined). RESULTS: No difference in diagnostic accuracy was observed between the groups given the feature first (42%) and first impression (41%) instructions (p > .4), but the groups instructed to use both strategies (explicitly or implicitly) performed significantly better (56% and 53%, respectively; p < .01). CONCLUSIONS: The results support an additive model of clinical reasoning in which instructions to be feature oriented and to trust similarity improve performance in novice diagnosticians.
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 | 0,005 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 |
| 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 ».