Checking all the boxes: a checklist for when and how to use checklists effectively
Notice bibliographique
Résumé
Checklists are a type of cognitive aid used to guide task performance; they have been adopted as an important safety intervention throughout many high-risk industries. They have become an ubiquitous tool in many medical settings due to being easily accessible and perceived as easy to design and implement. However, there is a lack of understanding for when to use checklists and how to design them, leading to substandard use and suboptimal effectiveness of this intervention in medical settings. The design of a checklist must consider many factors including what types of errors it is intended to address, the experience and technical competencies of the targeted users, and the specific tools or equipment that will be used. Although several taxonomies have been proposed for classifying checklist types, there is, however, little guidance on selecting the most appropriate checklist type, nor how differences in user expertise can influence the design of the checklist. Therefore, we developed an algorithm to provide guidance on checklist use and design. The algorithm, intended to support conception and content/design decisions, was created based on the synthesis of the literature on checklists and our experience developing and observing the use of checklists in clinical environments. We then refined the algorithm iteratively based on subject matter experts' feedback provided at each iteration. The final algorithm included two parts: the first part provided guidance on the system safety issues for which a checklist is best suited, and the second part provided guidance on which type of checklist should be developed with considerations of the end users' expertise.
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 | 0,011 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».