Notice bibliographique
Résumé
We thank Dr. Eichbaum for the opportunity to elaborate on some of the points we raised in our Perspective. Dr. Eichbaum claims that there is little evidence that errors are caused by knowledge gaps. Actually, several studies demonstrate a relationship between measures of knowledge (indicated by board exam scores) and peer review in practice,1 malpractice claims,2 and coronary care mortality.3 Dr. Eichbaum claims that experience “encompasses the gradual acquisition of complex skills and attributes, such as the metacognitive capacity to monitor and regulate one’s own thinking [and emotions].” Conspicuously absent is evidence to justify this claim. We believe that experience is critically important because it involves a different kind of experiential knowledge, not because it enhances “metacognitive capacity.” Dr. Eichbaum then takes issue with our reliance on written case protocols, failing to mention that much of the evidence used to argue that cognitive biases cause diagnostic errors is also from written cases. Other evidence of cognitive bias comes from retrospective reviews, but these findings are compromised in that reviewers show zero agreement in identifying such biases, and hindsight bias causes them to systematically overestimate the presence of cognitive bias.4 Faced with the absence of evidence that debiasing strategies have any impact on diagnostic errors, Dr. Eichbaum takes refuge in the claim that “debiasing strategies are … difficult to test under general experimental conditions.” Perhaps that is why he finds it necessary to customize instruction to specific contexts. If physicians have to show specific clinical examples of bias to reduce errors in those contexts, that sounds like knowledge to us. No doubt this topic could use more research; for the moment, we remain content with Dr. Eichbaum’s tacit admission that there is no evidence debiasing strategies work. Geoffrey Norman, PhDEmeritus professor, Department of Health Methodology, Evidence and Impact, McMaster University, Hamilton, Ontario, Canada; [email protected]Henk G. Schmidt, PhDProfessor, Department of Psychology, Erasmus University, Rotterdam, the Netherlands.Jonathan S. Ilgen, MDAssociate professor, Department of Emergency Medicine, University of Washington, Seattle, Washington.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,005 | 0,011 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,030 | 0,075 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».