Quantify difference between physicians and medical students in clinical reasoning: evidence from eye-tracking
Notice bibliographique
Résumé
BACKGROUND: The assessment of clinical reasoning in health trainees is vital yet poses challenges. We tracked the eye movements of participants while they were reviewing a neurological case with the goal of finding behavioral evidence to improve health education. METHODS: Eleven medical students and seventeen expert physicians were required to read a neurological case within a 150-second timeframe. The case included descriptive text, a brain CT scan, and an electrocardiogram (ECG). Participants completed a multiple-choice questions (MCQs) test after reading the case. Eye movements of participants in case reading on eleven patient-related information areas (PRIAs) were compared between experts and novices, contrasted with the remaining areas. RESULTS: Experts spent significantly more time fixating on PRIAs during case reading than novices (42.1% vs. 29.2%, adjusted p = 0.010). Experts demonstrated significantly fewer gaze shifts between Text and CT images (2.0 times) and between CT and ECG images (2.4 times) compared to novices (6.2 and 5.4 times), with adjusted p-values of 0.002 and 0.019, respectively. A positive correlation was found between the fixation rate on PRIAs and MCQs outcome (r = 0.402, p = 0.034). CONCLUSION: Eye-tracking provides rich and reliable data reflecting physicians' ability to gather patient-relevant information during patient assessment.
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 | 0,003 | 0,449 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| 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 ».