MétaCan
Menu
Retour à la cohorte
Enregistrement W2320565199 · doi:10.1097/acm.0b013e31828a3d7f

Clinical Decision Making, Fast and Slow

2013· letter· en· W2320565199 sur OpenAlexaffabout
David Petrie, Sam Campbell

Notice bibliographique

RevueAcademic Medicine · 2013
Typeletter
Langueen
DomaineMedicine
ThématiqueClinical Reasoning and Diagnostic Skills
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésPremiseFallacyVariable (mathematics)Statement (logic)Interpretation (philosophy)Cognitive psychologyAnticipation (artificial intelligence)Computer scienceCategorical variableCategorizationEpistemologyPsychologyConfirmation biasSocial psychologyArtificial intelligenceMachine learningPhilosophyMathematics

Résumé

récupéré en direct d'OpenAlex

To the Editor: We read with anticipation Sherbino and colleagues’1 recent article. However, we find it ironic that there are some cognitive shortcuts made in the authors’ premise, analysis, and conclusion that may limit the practical implications of their study. The premise asserts that “according to the literature, diagnostic errors arise primarily from System 1 reasoning, and therefore they are associated with rapid diagnosis.”1 This interpretation of the literature commits what is referred to as “the round trip fallacy”2 (e.g., no evidence of disease means that there is evidence of no disease). The statement that System 1 reasoning is more error prone (which we believe the literature does support) does not necessarily lead to the round-trip assumption that errors in diagnostic reasoning primarily arise from System 1. The authors correctly point out that there are many other potential reasons for errors. Their premise also conflates the concept of System 1 reasoning with diagnostic error and rapid time, which we do not believe is consistent with the descriptions of System 1 and System 2 thinking by Kahneman and others.3-5 A possibly erroneous assumption in the analysis is that a categorical variable (System 1 versus System 2) can be directly equated with a continuous variable (time). Fast(er), in relative terms, does not necessarily confer a change in categories of reasoning. Therefore, unless an answer is immediate (not just relatively faster), and prior to our awareness,2,5 it is difficult to choose whether to ascribe System 1 or System 2 based on time alone. It may be less important in the conclusion to assign causality to error and fall victim to the narrative fallacy2,5 (the tendency to perceive, or impose, causality based on the plausible) than it is to contribute to a robust model of how clinical reasoning may “really” work. As Groves6 suggests, (1) clinical reasoning is complex and involves a number of interacting elements, (2) it involves a dynamic interaction of content knowledge and critical thinking, (3) analytic and nonanalytic processes work in tandem, and (4) a definitive model of clinical reasoning includes the overarching role of metacognition. In that broader framing, perhaps error can occur at any time or place in the process, so System 1 and System 2 reasoning can be both functional and/or dysfunctional depending on the context. The above considerations make clear that it is easy to be too quick when arriving at conclusions about response times and diagnostic accuracy. David Petrie, MD, FRCP Professor and head, Department of Emergency Medicine, Faculty of Medicine, Dalhousie University, Halifax, Nova Scotia, Canada; [email protected] Sam Campbell, MD Professor of emergency medicine, Faculty of Medicine, Dalhousie University, Halifax, Nova Scotia, Canada.

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)0,013
score de la tête « metaresearch » (Gemma)0,129
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 enseignants0,018
Score d'incertitude au seuil0,067

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,129
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,006
Communication savante0,0090,010
Science ouverte0,0060,002
Intégrité de la recherche0,0180,034
Charge utile insuffisante (le modèle a refusé de juger)0,0080,003

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 Opus0,055
Tête enseignante GPT0,423
Écart entre enseignants0,368 · 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
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAcademic MedicineMême sujetClinical Reasoning and Diagnostic SkillsTravaux en français237 207