MétaCan
Menu
Retour à la cohorte
Enregistrement W2313586819 · doi:10.1097/acm.0b013e31823a91e2

Black Balls and Diagnostic Reasoning

2011· letter· en· W2313586819 sur OpenAlexaffabout
Jonathan Sherbino, Geoff Norman

Notice bibliographique

RevueAcademic Medicine · 2011
Typeletter
Langueen
DomaineMedicine
ThématiqueClinical Reasoning and Diagnostic Skills
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésMedical diagnosisComplaintBall (mathematics)Mathematics educationMedical educationComputer scienceMedicinePsychologyMathematicsPathology

Résumé

récupéré en direct d'OpenAlex

To the Editor: In their report in Academic Medicine, Coderre and colleagues1 claimed to prove that “querying an initial diagnosis … allows students to rectify an incorrect diagnosis.” Their study presented students with a series of eight written cases, in a two-part sequence. In the first part, students were given a brief initial scenario, with (as shown by an example included in the report) a chief complaint and some background. The students then provided an initial diagnosis. The experimental manipulation occurred in the second phase, where students were then provided extensive additional information from history, physical findings, and lab tests. In the example, we counted 2 pieces of information in the initial scenario and 23 additional pieces of information. For half the students, the information was “concordant” with the initial data; for half, it was “discordant.” Students were instructed to “consider these additional data before deciding on their final diagnosis.” Most students (84%) provided with concordant data stayed with their first diagnosis. For discordant data, 76% switched to the correct diagnosis after seeing the additional data. The authors concluded that “querying offers a potentially large benefit to diagnostic performance with little associated risk.” Might we suggest an alternative explanation—the “black ball” hypothesis? Providing students with an overwhelming amount of additional data suggesting a different diagnosis would make many students revise their diagnoses automatically. For example, if the first two balls you pull out of a bag are red, you may well consider that the bag contains mostly red balls. If the next 23 balls are red, you are likely near certain that it contains mostly red balls. But if the next 23 balls are black, you will likely change your mind and favor a “mostly black ball” hypothesis. We suspect that someone in this situation needs no encouragement and very little deep thinking to query the red ball hypothesis. Since Coderre and colleagues' intervention completely confounds the effect of introducing a large amount of new data and instruction to query the initial diagnosis, they have insufficient evidence to conclude as they did that instruction to think is the critical factor. Jonathan Sherbino, MD Associate professor, Department of Medicine, McMaster University Faculty of Health Sciences, Ontario, Canada. Geoff Norman, PhD Professor, Department of Clinical Epidemiology and Biostatistics, McMaster University Faculty of Health Sciences, Ontario, Canada; [email protected].

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,099
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,099
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0030,008
Communication savante0,0070,008
Science ouverte0,0050,003
Intégrité de la recherche0,0150,022
Charge utile insuffisante (le modèle a refusé de juger)0,0130,003

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,339
Écart entre enseignants0,292 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAcademic MedicineMême sujetClinical Reasoning and Diagnostic SkillsTravaux en français237 207