Effects of prevalence and feedback in the identification of blast cells in peripheral blood: expert and novice observers
Notice bibliographique
Résumé
Low target prevalence affects perceptual decisions on both simple and complex stimuli. Without prior knowledge of how often targets may appear, trial-by-trial accuracy feedback modulates the effects of low prevalence partially by providing observers with information about the target base rate. Using simple colored dots, Lyu (PBR 28:1906-1914, 2021) found that at low prevalence, observers demonstrate a classical low prevalence effect (LPE) when receiving feedback. This involves a conservative shift of the decision criterion where observers are less likely to call an ambiguous item a target. In the absence of feedback, observers adopted more liberal criteria and became more likely to classify an item as a target, producing a Prevalence-Induced Concept Change (PICC, Levari et al., Science 360:1465-1467, 2018). The present study examines whether the effects of low prevalence and feedback are modulated by expertise. Novice (n = 26) and expert (n = 24) observers performed a cancer cell discrimination task. The prevalence of cancerous "blast cells" and the presence or absence of trial-by-trial accuracy feedback were manipulated. Unsurprisingly, medical professionals performed better than trained novices. Importantly, both experts and novices showed an LPE with feedback, although that LPE was weaker in experts, suggesting expertise may modulate the size of the LPE. Low prevalence had little effect on the criterion in the absence of feedback in this setting. For both novices and experts, initial exposure to trials with feedback influenced criteria in subsequent no feedback conditions. Interestingly, experts showed a conservative criterion at the start of the experiment, even without having experienced a feedback block. This could reflect previous training or working in a low prevalence setting. Our study shows the interactions of the effects of low prevalence, feedback, and expertise on perceptual decisions and provides direct evidence for prevalence and feedback effects on expert decisions.
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 | 0,003 | 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».