Impact of emotional competence on physicians’ clinical reasoning: a scoping review protocol
Notice bibliographique
Résumé
INTRODUCTION: Clinical reasoning (CR) is a key competence for physicians and a major source of damaging medical errors. Many strategies have been explored to improve CR quality, most of them based on knowledge enhancement, cognitive debiasing and the use of analytical reasoning. If increasing knowledge and fostering analytical reasoning have shown some positive results, the impact of debiasing is however mixed. Debiasing and promoting analytical reasoning have also been criticised for their lack of pragmatism. Alternative means of increasing CR quality are therefore still needed. Because emotions are known to influence the quality of reasoning in general, we hypothesised that emotional competence (EC) could improve physicians' CR. EC refers to the ability to identify, understand, express, regulate and use emotions. The influence of EC on CR remains unclear. This article presents a scoping review protocol, the aim of which will be to describe the current state of knowledge concerning the influence of EC on physicians' CR, the type of available literature and finally the different methods used to examine the link between EC and CR. METHOD AND ANALYSIS: , describing five major components of EC (identify, understand, express, regulate and use emotions). The concept of CR will include terms related to its processes and outcomes. Context will include real or simulated clinical situations. The search for primary sources and reviews will be conducted in MEDLINE (via Ovid), Scopus and PsycINFO. The grey literature will be searched in the references of included articles and in OpenGrey. Study selection and data extraction will be conducted using the Covidence software. Search and inclusion results will be reported using the Preferred Reporting Items for Systematic Reviews and Meta-analyses extension for scoping review model (PRISMA-ScR). ETHICS AND DISSEMINATION: There are no ethical or safety concerns regarding this review. REGISTRATION DETAILS: OSF Registration DOI: https://doi.org/10.17605/OSF.IO/GM7YD.
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 | 0,109 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,005 |
| Méta-épidémiologie (sens large) | 0,012 | 0,012 |
| Bibliométrie | 0,019 | 0,015 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,008 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,059 | 0,010 |
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.
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 ».