Rushing Roulette – how do learners perform routine tasks under time pressure?
Notice bibliographique
Résumé
Introduction: Remediating, or preferably, predicting which residents will have difficulty before they need remediating, is a challenging task. Most of us perform better when pumped for an exam. But how do we respond when under routine pressures? Do weaker learners adapt differently, despite coaching? Methods: Using an adaptation of virtual patient software, we explored how learners cope with handling repetitive yet time-sensitive routine tasks. We emulated the performance of routine tasks within a virtual electronic medical record (EMR) environment, tracking individual learner activity and decision pathways, time to act (with and without enforced pressure from programmed time-outs) and their adaptation trajectories over time with coaching. Learners were assessed using Situational Judgement and modified Script Concordance Testing, with reproducible and granular time constraints introduced into the clinical reasoning process. Results: Our case designs introduce a number of competing elements: time pressures, competing priorities and instructions, resource availability and unpredictable outcomes. Learner behaviour is assessed using a variety of metrics including time-stamped decision points, decision pathways and internal counter scores. Clinical reasoning pathways, as compared to a reference peer panel, are in turn compared with and without the time pressures. Conclusions: Predictive analytics have made great promises in diagnosing problems for learners in difficulty but are complex and expensive to deploy widely. Our simpler, rapidly reproducible approach may provide a more practical solution.
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 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».