Aiding Risk Information learning through Simulated Experience (ARISE): A Comparison of the Communication of Screening Test Information in Explicit and Simulated Experience Formats
Notice bibliographique
Résumé
OBJECTIVE: To determine whether the use of Aiding Risk Information learning through Simulated Experience (ARISE) to communicate conditional probabilities about maternal serum screening results for Down syndrome promotes more accurate positive predictive value (PPV) estimates and conceptual understanding of screening, compared with explicitly providing individuals with this information via numerical summary or icon array. METHOD: In experiment 1, 582 participants completed an online study in which they were asked to estimate the PPV and rate their attitudes toward a screening test when information was presented in either a description (required calculation of the PPV), explicit (PPV was provided and had to be identified), or an ARISE format (PPV was inferred through experience-based learning). In experiment 2, 316 participants estimated the PPV and rated their attitudes toward screening based on information presented in either an icon array (identify the icons that represent the PPV) or ARISE format. RESULTS: In experiment 1, ARISE elicited the most accurate PPV estimates compared with the description and explicit formats, and both the explicit and ARISE formats led to more unfavorable attitudes toward screening. In experiment 2, both the icon array and ARISE resulted in similar PPV estimates; however, ARISE led to more negative attitudes toward screening. CONCLUSIONS: These findings suggest that ARISE may be superior to other formats in the communication of PPV information for screening tests. However, differences in the complexity of the formats vary and require further investigation.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».