MétaCan
Menu
Retour à la cohorte
Enregistrement W2330528987 · doi:10.1097/acm.0000000000000314

In Reply to Mamede and Schmidt

2014· letter· en· W2330528987 sur OpenAlexaboutno aff
Jonathan S. Ilgen, Judith L. Bowen, Kevin W. Eva

Notice bibliographique

RevueAcademic Medicine · 2014
Typeletter
Langueen
DomaineMedicine
ThématiqueClinical Reasoning and Diagnostic Skills
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDeductive reasoningInductive reasoningEpistemologyReading (process)PsychologyLimitingCognitive psychologyRaising (metalworking)Computer scienceCognitive scienceArtificial intelligenceLinguisticsPhilosophyMathematics

Résumé

récupéré en direct d'OpenAlex

We appreciate Mamede and Schmidt’s thoughtful reading of our article. While they raise interesting hypotheses about methodological distinctions across studies, we do not see such differences as “conceptual and methodological shortcomings.” Instead, we think differences between their methodology and ours represent differing perspectives regarding the extent to which one can assume participants’ reasoning strategies based upon the experimental instructions they are given. The authors emphasize the importance of identifying contradictory features prior to generating diagnostic hypotheses; we are not convinced that such sequential representations of reasoning are realistic given the many decades psychologists required to generate separable measures of analytic and nonanalytic processes.1 In medicine, a series of studies have revealed that clinical features are more likely to be seen if one has the relevant diagnosis in mind,2,3 suggesting that reasoning is rarely solely inductive or deductive, and raising questions about the extent to which a clinician could ever be prevented from generating diagnoses when contemplating the features of a case. One of the definitional properties of nonanalytic reasoning is that it is fast, automatic, and largely beyond conscious control.4 This is not to say that the differences between Mamede and Schmidt’s methodology and ours could not account for the differences in results. Rather, it is meant simply to highlight one problem with labeling experimental conditions in these sorts of studies with theoretical constructs (i.e., “automatic reasoning”) rather than strictly limiting oneself to labels based on what was observably done (i.e., instructions to offer a diagnosis based on one’s first impression). The order of instructions may be important, but that is an empirical question that would need to be tested directly. Any such head-to-head comparison of processing interventions should, however, take into account a variety of methodologies suggesting that more analytic, conscious processing—in the absence of a preceding, experimentally induced bias—does not necessarily align with greater diagnostic accuracy.5,6 More generally, in testing the influence of such differences, it will be important to design interventions that are practically meaningful. We favor experimental control, but if the control is so great as to have little real-world value, then the benefit of any instructional intervention will be questionable. Rigid adherence to a reasoning protocol that requires strict researcher oversight is unlikely to be feasible for application in a naturalistic clinical setting. Jonathan S. Ilgen, MD, MCR Assistant professor, Division of Emergency Medicine, University of Washington, School of Medicine, Seattle, Washington; [email protected] Judith L. Bowen, MD Professor, Department of Medicine, Oregon Health & Science University, School of Medicine, Portland, Oregon. Kevin W. Eva, PhD Professor and director of education research and scholarship, Department of Medicine, and senior scientist, Centre for Health Education Scholarship, University of British Columbia, Vancouver, British Columbia, 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)0,011
score de la tête « metaresearch » (Gemma)0,091
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 enseignants0,044
Score d'incertitude au seuil0,057

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,091
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0030,002
Bibliométrie0,0020,001
Études des sciences et des technologies0,0040,007
Communication savante0,0060,012
Science ouverte0,0060,005
Intégrité de la recherche0,0440,094
Charge utile insuffisante (le modèle a refusé de juger)0,0070,006

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 Opus0,045
Tête enseignante GPT0,381
Écart entre enseignants0,336 · 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
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademic MedicineMême sujetClinical Reasoning and Diagnostic SkillsTravaux en français237 207