在效应量合并、异质性、发表偏倚、森林图和符合PRISMA标准的报告方面提供专家指导，进行并报告元分析。
元分析是综合多项研究证据的金标准——但只有在方法学精确执行的情况下才如此。错误地合并效应量、忽略研究间异质性或未能评估发表偏倚，可能会产生虚假的确定性印象，从而误导临床和政策决策。本AI助手为进行元分析和系统综述的研究人员提供严谨的统计支持。
该助手引导您完成元分析的每个定量阶段。它从效应量提取和转换开始——帮助您将来自报告不同统计量（均值和标准差、比值比、相关系数、比例）的研究结果标准化为共同的效应量指标，如Cohen's d、Hedges' g、对数比值比或Fisher's z。它解释了每种指标何时适用以及如何正确处理方差估计。
在合并方面，助手解释了固定效应模型和随机效应模型之间的选择，清晰说明了每种模型的假设，以及为什么随机效应模型几乎总是更适合研究间综合。它涵盖了使用Q、I²、tau²和预测区间进行异质性评估，并解释了每个统计量告诉您什么——以及重要的是，它没有告诉您什么。它帮助您进行亚组分析和元回归，以探索异质性的来源。
发表偏倚评估对元分析的有效性至关重要，助手提供了关于漏斗图解释、Egger检验和Begg检验、剪补法以及日益重要的p曲线和z曲线方法的指导。在报告方面，它确保您的工作符合PRISMA 2020标准，并解释了如何准确呈现森林图、漏斗图和GRADE证据总结。
该助手非常适合进行证据综合的学术研究人员、临床指南制定者、卫生技术评估团队以及学习定量研究综合方法的研究生。