Trust in deliberation: The consequences of deliberative decision strategies for medical decisions.
Notice bibliographique
Résumé
OBJECTIVE: Decision aids (DAs) play an increasingly critical role in supporting patients in making preference-sensitive treatment decisions. One largely untested assumption of DA design is that patients should be encouraged to deliberate carefully about their options after being informed of those options. The purpose of the present research is to test the impact of deliberative versus intuitive decision strategies in medical decision contexts. METHOD: In 3 experiments, participants were randomly assigned to make a hypothetical medical decision either intuitively, or using various deliberative strategies. In Study 1, we predicted that deliberation would improve decision confidence while not changing decisions. In Study 2, our aim was to establish whether the observed increase in confidence was due to decision-making effort, confirmation bias, or both. In Study 3, it was predicted that deliberation would cause participants to become more confident in suboptimal decisions. RESULTS: Across 3 studies, participants who deliberated felt better about their decisions and decision process, even when the decision was the same as what would have been chosen intuitively (Studies 1 and 2), and even when the decision was normatively bad (Study 3). Study 2 additionally indicated that participants' confidence was driven by confirmation bias rather than effort justification. CONCLUSIONS: Deliberative tasks may often fail to be an effective debiasing tool, and components of patient decision aids that ask patients to deliberate may serve to improve how patients feel without improving the quality of their decisions.
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 | 0,013 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».