Slowing Down to Stay Out of Trouble in the Operating Room: Remaining Attentive in Automaticity
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: Automaticity is integral to expert performance, but experts must be able to transition from an automatic mode into a more effortful state when required. In this study, the authors identified and characterized the manifestations of the phenomenon of "slowing down when you should" to stay out of trouble in operative practice. METHOD: The authors interviewed 28 surgeons (60-minute, semistructured format) from various specialties at four academic medical centers and observed 5 hepatopancreatobiliary surgeons in the operating room (29 cases, 147 hours) during 2007-2009. Using a grounded theory qualitative methodology, they conducted a thematic analysis of transcripts and field notes in an iterative manner. Data collection continued until saturation. They adopted a reflexive approach throughout. RESULTS: Surgeons described and the authors observed four phenomenological manifestations of the transition to a more effortful state. In the most extreme manifestation, "stopping," surgeons actually stopped the procedure, whereas in the most subtle manifestation, "fine-tuning," surgeons were able to continue the procedure and focus on minor events simultaneously. A separate phenomenon of "drifting" represented surgeons' failure to transition out of the automatic mode when appropriate, resulting in surgical errors or near misses. CONCLUSIONS: The manifestations of the slowing down phenomenon represent acts of cognitive refocusing during the potentially more-critical moments of operative practice. Further, the authors challenge the conception of automaticity as effortless, arguing that automatic behavior can be attentive (fine-tuning) as well as inattentive (drifting).
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.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découle