Experienced Probabilities Increase Understanding of Diagnostic Test Results in Younger and Older Adults
Notice bibliographique
Résumé
BACKGROUND: With advancing age, the frequency of medical screening increases. Interpreting the results of medical tests involves estimation of posterior probabilities such as positive predictive values (PPVs) and negative predictive values (NPVs). Both laypeople and experts are typically poor at estimating posterior probabilities when the relevant statistics are communicated descriptively. The current study examined whether an experience format would improve posterior probability judgments in younger and older adults, relative to a description format. METHOD: Eighty younger (ages 17-34 y) and 80 older adults (ages 65-87 y) completed an experimental task in which information about medical screening tests for 2 fictitious diseases was presented either through description or experience. Participants in the descriptive format read a passage containing statistical information, whereas participants in the experience format viewed a slideshow of representative cases that illustrated the relative frequency of the disease as well as the relative frequency of positive and negative test results. RESULTS: Both younger and older adults made more accurate posterior probability estimates in the experience format, relative to the description format. In the descriptive format, PPVs were overestimated and NPVs were underestimated. Regardless of format type, participants reported that they would prefer to rely on a physician to make medical decisions on their behalf compared with themselves. DISCUSSION: These findings are indicative of a description-experience gap in Bayesian inference, and they suggest possible avenues for enhancing medical risk communication for both younger and older patients.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,235 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».