A simulation-based approach to training in heuristic clinical decision-making
Notice bibliographique
Résumé
Background Cognitive biases may negatively impact clinical decision-making. The dynamic nature of a simulation environment can facilitate heuristic decision-making which can serve as a teaching opportunity. Methods Momentum bias, confirmation bias, playing-the-odds bias, and order-effect bias were integrated into four simulation scenarios. Clinical simulation educators and human factors specialists designed a script of events during scenarios to trigger heuristic decision-making. Debriefing included the exploration of frames (mental models) resulting in the observed actions, as well as a discussion of specific bias-prone frames and bias-resistant frames. Simulation sessions and debriefings were coded to measure the occurrence of bias, recovery from biased decision-making, and effectiveness of debriefings. Results Twenty medical residents and 18 medical students participated in the study. Twenty pairs (of one medical student and one resident) and two individuals (medical residents alone) completed a simulation session. Evidence of bias was observed in 11 of 20 (55%) sessions. While most participant pairs were able to avoid or recover from the anticipated bias, there were three sessions with no recovery. Evaluation of debriefings showed exploration of frames in all the participant pairs. Establishing new bias-resistant frames occurred more often when the learners experienced the bias. Conclusions Instructional design using experiential learning can focus learner attention on the specific elements of diagnostic decision-making. Using scenario design and debriefing enabled trainees to experience and analyze their own cognitive biases.
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 | 0,223 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».