The Effect of Information Formats and Incidental Affect on Prior and Posterior Probability Judgments
Notice bibliographique
Résumé
Background. Interpreting medical test results involves judging probabilities, including making Bayesian inferences such as judging the positive and negative predictive values. Although prior work has shown that experience formats (e.g., slide shows of representative patient cases) produce more accurate Bayesian inferences than description formats (e.g., verbal statistical summaries), there are disadvantages of using the experience format for real-world medical decision making that may be solved by presenting relevant information in a 2 × 2 table format. Furthermore, medical decisions are often made in stressful contexts, yet little is known about the influence of acute stress on the accuracy of Bayesian inferences. This study aimed to a) replicate the description-experience format effect on probabilistic judgments; b) examine judgment accuracy across description, experience, and a new 2 × 2 table format; and c) assess the effect of acute stress on probability judgments. Method. The study employed a 2 (stress condition) × 3 (format) factorial between-subjects design. Participants ( N = 165) completed a Bayesian inference task in which information about a medical screening test was presented in 1 of 3 formats (description, experience, 2 × 2 table), following a laboratory stress induction or a no-stress control condition. Results. Overall, the 2 × 2 table format produced the most accurate probability judgments, including Bayesian inferences, compared with the description and experience formats. Stress had no effect on judgment accuracy. Discussion. Given its accuracy and practicality, a 2 × 2 table may be better suited than description or experience formats for communicating probabilistic information in medical contexts.
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 | 0,006 | 0,032 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».