MétaCan
Menu
Retour à la cohorte
Enregistrement W2741817809 · doi:10.1097/acm.0000000000001809

In Reply to Croskerry and to Patel and Bergl

2017· letter· en· W2741817809 sur OpenAlexaffabout
Geoffrey R. Norman, Jonathan Sherbino, Jonathan S. Ilgen, Sandra Monteiro

Notice bibliographique

RevueAcademic Medicine · 2017
Typeletter
Langueen
DomaineMedicine
ThématiqueClinical Reasoning and Diagnostic Skills
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésDebiasingHindsight biasCognitive biasHeuristicsCognitionPsychologyCommitConfirmation biasCognitive psychologySubject (documents)Social psychologyComputer sciencePsychiatry

Résumé

récupéré en direct d'OpenAlex

Croskerry claims that we “deny [the] existence” of cognitive biases. Not so. Our concern is not whether cognitive biases exist but, rather, to understand “the relative contribution of heuristics and cognitive biases versus that of knowledge deficits in clinical reasoning errors.”1 While Croskerry concludes that “several studies have found cognitive failings more likely due to how physicians think rather than what they know, and most clinicians confirm this is what happens in practice,” we are more circumspect. As we described, inducing bias in experimental settings does not prove that errors in practice are caused by bias, or that it would be possible to overcome these biases. And retrospective reviews linking bias to errors are subject to a bias of their own—hindsight.2 Croskerry is concerned that “the potential of cognitive bias mitigation … strategies is … minimized,” and cites a recent systematic review.3 The review—published after our article was accepted—listed six educational interventions directed at learning cognitive biases. Four looked at impact on diagnostic accuracy and found no effect; two others used a self-report thinking inventory. Three studies were classified as “cognitive forcing strategies” but never mentioned cognitive biases. Consistent with our findings, this review found no evidence that focusing on identifying and overcoming cognitive bias reduces diagnostic errors. Instead, the evidence suggests that physicians with more knowledge commit fewer errors, and thus that our curricular efforts should be directed toward strategies that improve knowledge acquisition and application. Patel and Bergl elaborate on this point, particularly with respect to Type 2, analytical thinking. We agree; in fact, we believe that the traditional approach to learning diagnostic reasoning in clinical settings is, at best, inefficient. Woods et al4 have shown the benefit of understanding basic science. We could also use contemporary education strategies such as interleaved practice to greatly enhance the efficiency of Type 1 learning. Such strategies are likely to have far greater yield than a misguided attempt to teach students cognitive biases. Geoffrey Norman, PhDProfessor emeritus, Department of Clinical Epidemiology and Biostatistics, McMaster University, Hamilton, Ontario, Canada; [email protected] Jonathan Sherbino, MDAssociate professor, Department of Medicine, McMaster University, Hamilton, Ontario, Canada. Jonathan S. Ilgen, MDAssociate professor, Department of Medicine, University of Washington School of Medicine, Seattle, Washington. Sandra D. Monteiro, PhDAssistant professor, Department of Clinical Epidemiology and Biostatistics, McMaster University, Hamilton, Ontario, 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)0,016
score de la tête « metaresearch » (Gemma)0,149
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 enseignants0,042
Score d'incertitude au seuil0,085

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,149
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0040,003
Bibliométrie0,0030,003
Études des sciences et des technologies0,0030,005
Communication savante0,0070,014
Science ouverte0,0050,006
Intégrité de la recherche0,0420,066
Charge utile insuffisante (le modèle a refusé de juger)0,0130,010

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 Opus0,053
Tête enseignante GPT0,403
Écart entre enseignants0,350 · 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

Citations1
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAcademic MedicineMême sujetClinical Reasoning and Diagnostic SkillsTravaux en français237 207