Notice bibliographique
Résumé
CONTEXT: There is a growing literature on diagnostic errors. The consensus of this literature is that most errors are cognitive and result from the application of one or more cognitive biases. Such biased reasoning is usually associated with 'System 1' (non-analytic, pattern recognition) thinking. METHODS: We review this literature and bring in evidence from two other fields: research on clinical reasoning, and research in psychology on 'dual-process' models of thinking. We then synthesise the evidence from these fields exploring possible causes of error and potential solutions. RESULTS: We identify that, in fact, there is very little evidence to associate diagnostic errors with System 1 (non-analytical) reasoning. By contrast, studies of dual processing show that experts are as likely to commit errors when they are attempting to be systematic and analytical. We then examine the effectiveness of various approaches to reducing errors. We point out that educational strategies aimed at explaining cognitive biases are unlikely to succeed because of limited transfer. Conversely, there is an accumulation of evidence that interventions directed at specifically encouraging both analytical and non-analytical reasoning have been shown to result in small, but consistent, improvements in accuracy. CONCLUSIONS: Diagnostic errors are not simply a consequence of cognitive biases or over-reliance on one kind of thinking. They result from multiple causes and are associated with both analytical and non-analytical reasoning. Limited evidence suggests that strategies directed at encouraging both kinds of reasoning will lead to limited gains in accuracy.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».