Etude des mouvements oculaires comme outil pédagogique en imagerie médicale : résultats et défis méthodologiques
Bibliographic record
Abstract
Titre : Etude des mouvements oculaires comme outil pédagogique en imagerie médicale : résultats et défis méthodologiques Auteurs: George Rakovich, Stéphane Carignan, François Marquis, Serge Dubé, avec la participation d’une équipe de psychologie de l’Université de Montréal. Contexte : Les modalités de formation en imagerie médicale ne se fondent pas sur des stratégies pédagogiques adaptées. Or certaines études suggèrent qu’on pourrait utiliser les mouvements oculaires pour enseigner une stratégie de recherche visuelle experte et systématique. Objectif: Mesurer les effets d’enseigner la stratégie de recherche visuelle d’un radiologiste aux étudiants de médecine. Matériel et méthodes : Un logiciel pédagogique a été conçu à partir des trajectoires de balayage visuel d’un radiologiste. Suivant un devis randomisé, les étudiants formés avec ce logiciel ont été comparés à un groupe contrôle à partir de l’observation de 20 radiographies pulmonaires. Résultats : Quatre séries de données de chaque groupe étaient disponibles pour analyse. Le taux d’exactitude diagnostique était de 61,25% +/- 6,29% et de 63,75% +/-14,3% pour les groupes expérimental et contrôle, respectivement (test t, p=0,38; alpha 0,05). Les valeurs des vecteurs de Damerau-Levenshtein (mesures des mouvements oculaires) étaient de 99,13 +/- 4,26 et de 97,43 +/- 3,01 pour les groupes expérimental et contrôle, respectivement (test t, p=0,0022; alpha 0,05). Discussion et conclusion : L’exactitude diagnostique était faible et comparable. Ce résultat peut être dû à un manque de puissance de l’étude due au petit nombre de participants, un logiciel inefficace, ou une utilisation sous-optimale du logiciel due à un temps de formation insuffisant. Le groupe expérimental avait aussi une stratégie de recherche visuelle moins systématique (valeur supérieure du vecteur de Damerau-Levenshtein). Ces résultats exigent une réévaluation de notre compréhension de l’expertise en imagerie médicale. Cependant la faible participation et l’absence de données supplémentaires sur les mouvements oculaires en raison de problèmes méthodologiques limitent les tentatives d’interprétation.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.141 | 0.355 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.005 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.004 | 0.005 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".