在皮肤癌查中连接自适应感知学习和信号检测理论
Philip J Kellman1,2, Sally Krasne3, Christine M Massey1
1Department of Psychology, University of California, Los Angeles, Los Angeles, CA 90095, USA.
概括
信号检测理论 (SDT) 增强了皮肤癌查的适应性学习. 与标准基于准确性的方法相比,采用SDT方法提高了学习效率和流性.
科学领域:
- 认知心理学 认知心理学
- 医学教育 医学教育
- 机器学习 机器学习
背景情况:
- 适应性学习系统通常仅依赖于准确性数据,忽视响应偏差.
- 这种限制在复杂的感知分类任务中特别有问题,例如医学诊断.
- 信号检测理论 (SDT) 提供了一个框架,可以将灵敏度与标准分开,从而有可能改善自适应性学习.
研究的目的:
- 调查是否结合SDT方法可以增强皮肤癌查的适应性感知学习.
- 将基于SDT的自适应序列和掌握标准的有效性与标准方法进行比较.
主要方法:
- 本科生参与者使用皮肤癌感知自适应学习模块 (PALM) 来分类皮肤病变.
- 四个适应性条件改变了序列 (标准与SDT) 和退休标准 (标准与SDT).
- 一个对照组接受了教学视频教学.
主要成果:
- 所有适应性条件在学习效率和流性方面显著优于非适应性控制.
- SDT退休标准导致了更高的学习效率比标准的基于准确性的标准在即时和延迟后测试.
- 在SDT和标准自适应测序之间没有发现显著差异.
结论:
- 基于SDT的增强可以显著提高自适应感知学习系统的效率.
- 结果表明,将SDT原则纳入,特别是掌握标准,为优化医学教育和专业知识开发提供了一个有希望的途径.
