Maikling sagot
Maaaring magmungkahi ang AI ng extracted value o code; kinukuwenta ng statistical software ang itinakdang modelo. Pumili ng integrated workflow o script ayon sa pamamaraan at records na kailangang siyasatin. Tatlong kathang-isip na pag-aaral ang nagpapakita ng data ledger, pag-check sa direksiyon ng epekto, at pagpapasa ng analysis.
Mahahalagang punto
Ihiwalay ang extraction, integrated analysis, at statistical software ayon sa output na susuriin.
Hindi awtomatikong kabilang sa bawat analysis ang kasali sa rebyu; ibang oras o kulang na SD ay maaaring pumigil sa kalkulasyon nang hindi inaalis ang pag-aaral.
Itago ang beripikadong input, malinaw na settings, run record, at output para sa muling pag-check o pagkalkula.
Gatsbi ang naglalathala ng gabay na ito at gumagawa ng ilan sa mga tool na tinatalakay. Pareho ang pamantayan sa gawain para sa Gatsbi at iba pang produkto, batay sa kanilang pampublikong dokumentasyon. Hindi ito resulta ng aktuwal na paghahambing sa paggamit. Suriin ang kasalukuyang kakayahan at mga kondisyon ng access bago pumili.
Piliin muna ang paraan ng pagsusuri
Itakda ang tanong, disenyo, kinalabasan, paghahambing, at oras; saka piliin ang effect measure at kailangang datos. Tingnan ang mga prinsipyo at interpretasyon ng meta-analysis. Dapat sumunod ang software sa nakaplanong pagsusuri.
Naikokonekta ng integrated workflow ang extraction, analysis, figures, at draft nang walang script. Mas madaling inspeksiyunin at muling gamitin ang code at arguments sa scripted workflow. Parehong dapat angkop sa aktuwal na disenyo: hindi sapat ang 'meta-analysis support' para sa correlated effects, clusters, o maraming grupo.
Hatiin sa apat na yugto ang trabaho. Hindi pinapatunayan ng tamang extracted value ang conversion o modelo. Kung hindi tapos ang selection at extraction, tingnan ang gabay sa mga tool para sa sistematikong rebyu.
| Yugto | Maaaring tulong | Kailangang ebidensiya |
|---|---|---|
Pagbasa ng ulat | Mungkahi ng halaga at source passage | Tamang study, grupo, outcome, statistic, unit, oras |
Paghahanda ng effects | Draft ng conversion at pagkalkula | May batayang pamamaraan at independiyenteng halimbawang kalkulasyon |
Pag-fit ng modelo | Statistical software o integrated analysis | Malinaw na settings, angkop na disenyo, nasusuring resulta |
Interpretasyon | Draft ng paglalarawan | Tugma sa estimates, uncertainty, at limitasyon |
Ihambing ang input, settings, at pag-uulit
Nakabatay ang mga produktong pinangalanan sa dokumentasyong sinuri noong 18 Oktubre 2026. Pareho ang pamantayan sa Gatsbi na tagapaglathala. Hindi ito accuracy test; kategorya ang coding assistant, hindi pagsusuri sa partikular na produkto.
Software sa rebyu o estadistika ang RevMan at metafor. Hindi sila nagiging generative AI dahil lamang kasama sa AI workflow. Hindi rin awtomatikong statistical engine ang gumagawa ng extraction table. Linawin kung sino ang kumukuwenta ng effects at modelo.
Ilista ang kailangang effect measures, disenyo, estimators, at interval methods. Basahin ang tamang bersiyon ng dokumentasyon at subukan ang maliit na halimbawa. Mananatiling kailangang kumpirmahin ang feature at export na hindi inilalarawan.
| Papel / source | Input at inilarawang output | Gamit | Dapat suriin |
|---|---|---|---|
Extraction / Elicit | Selection at extraction ng papel sa structured workflow. | Mga kandidatong halaga bago ihanda ang analysis data. | Source location, grupo, oras, export; hindi awtomatikong valid input ang extraction. |
Review environment / RevMan | Datos ng pag-aaral para sa pamamahala, analysis, at report. | Pagsusuri sa loob ng review environment. | Suporta sa disenyo at method, nakikitang settings, records para maulit. |
Statistical package / R / metafor | Datos at code para sa models, diagnostics, at figures. | Kayang suriin at panatilihin ng pangkat ang code at kailangan ang suportadong method. | Arguments, dependencies, missing data, versions, at rerun. |
Integrated workflow / Gatsbi Reviewer · tagapaglathala | Inilalarawan ang quantitative extraction, fixed/random effects, forest/funnel plots, I²/Q, raw data at key-result exports. | Pagdugtong ng natiyak na pag-aaral sa analysis at draft. | Disenyo, estimator, intervals, buong settings, source mapping, at reproducible exports ay susuriin pa. |
Tulong sa code / kategorya | Nagbibigay ng code at paliwanag mula sa instructions at data definitions. | Draft ng code na susuriin, tatakbuhin, at pananatilihin ng pangkat. | Independiyenteng pag-check ng variables, assumptions, dependencies, errors; walang partikular na produktong sinubok. |
Gumawa ng talaan para sa nakaplanong analysis
Magbigay ng magkahiwalay na ID sa study, report, at analysis. Itago ang orihinal at natiyak na halaga at conversions. Maaaring karapat-dapat sa rebyu ang pag-aaral ngunit kulang sa datos para sa isang outcome o oras; hiwalay ang pasya.
Ang kathang-isip na MD_12W ay intervention minus comparator na mean difference sa 12-linggong score, kung saan mas mababa ang mas mabuti. Pareho ang ulat A sa extraction guide; ibang oras ang B at may kulang na SD ang C. Hindi ito aktuwal na finding o product output.
Kumpleto ang ipinakitang fields ng A. Hindi maaaring gawing 12 linggo ang mean sa 6 na linggo ng B. Sa C, itala ang paghingi ng datos, may batayang derivation, angkop na prespecified method, o hindi pagsama sa analysis na ito. Hindi awtomatikong aalis sa rebyu ang pag-aaral.
Pagkakakilanlan at saklaw: study_id, report_id, analysis_id, arm, outcome, timepoint_weeks, statistic, unit.
Halaga at sources: original_value, checked_value, n, source_location, transformation, missing_reason. Hindi zero ang SD na hindi iniulat.
Pasya: verification_status, include_in_analysis, dahilan, tagasuri. Hiwalay ang include_in_review.
| Pag-aaral / source | Iniulat na datos | Pagsuri o pagwawasto | Kahandaan para sa MD_12W |
|---|---|---|---|
A / ulat A, talahanayan 2, linggo 12 | Intervention: n=40, mean=12, SD=4; comparator: n=40, mean=15, SD=5. | Itugma ang grupo, statistic, at unit sa source; panatilihin ang corrections. | Kumpleto ang halimbawang fields; suriin pa ang disenyo at assumptions. |
B / ulat B, talahanayan 3, linggo 6 | Mean intervention=10; comparator=12. | Hindi tugma sa 12 linggo; panatilihin ang totoong follow-up. | Hindi pa handa; lutasin ang oras at ibang fields, huwag tahimik na pagsamahin. |
C / ulat C, talahanayan 2, linggo 12 | Mean intervention=11; comparator=14; hindi iniulat ang isang kailangang SD. | Panatilihin ang missing status at napiling tugon. | Hindi pa handa; huwag gumawa ng SD o gawing zero ang blanko. |
Suriin ang code o integrated analysis settings
Tiyakin kung final value o pagbabago mula baseline ang input, tama ang ayos ng grupo, at naiiba ang SD, standard error, at confidence interval. Tingnan ang gabay ng Cochrane sa mga sukat ng epekto para sa method at software documentation para sa implementation.
Kuwentahin nang hiwalay ang A: sa linggo 12, 12−15=−3 puntos ang intervention−comparator; +3 kapag binaligtad. Tiyaking napananatili ang direksiyon sa script o interface bago magpaliwanag.
Parehong mga numero, magkasalungat na direksiyon ng epekto
Sa kathang-isip na Pag-aaral A sa ika-12 linggo, 12 ang mean ng interbensiyon at 15 ang sa grupong paghahambingan. Ang planong interbensiyon bawas grupong paghahambingan ay −3 puntos. Ang maling pagbabaligtad ng grupo ay nagbibigay ng +3. Magkabilang panig ng sero ang dalawang resulta sa linya ng mga numero; kailangan pa ring suriin ang kawalang-katiyakan at modelo.
Halimbawang pang-aral · kathang-isip na Pag-aaral A
Pag-aaral A · talahanayan 2 · ika-12 linggo
Interbensiyon − grupong paghahambingan
Grupong paghahambingan − interbensiyon
Pagkakaiba ng mean (puntos) · 0 = magkaparehong mean
Hindi nagbago ang mga halaga sa pinagmulan. Nababaligtad ang tanda kapag pinagpalit ang mga grupo.
Tiyakin ang mga label ng grupo at ang planong ayos ng pagbabawas. Ang tamang −3 ay hindi nagpapatunay sa mga standard deviation, laki ng sample, kawalang-katiyakan o modelo ng pagsusuri.
Sa script, suriin ang arguments, field mapping, missing-data handling, packages, at versions. Sa interface, itago ang input, settings, export, at makukuhang version. Kung hindi nakikita ang kailangang estimator o interval setting, itala ang limitasyon at kumpirmahin.
Maaaring mangailangan ng ibang paghawak ang paired, clustered, repeated, o multi-arm data. Pagbabawas lamang ang sinusuri rito; walang piniling pooled model o napatunayang interval calculation.
| Setting | Naitalang pagpili / kalagayan | Pagsusuri |
|---|---|---|
Analysis at outcome | MD_12W; continuous score sa linggo 12 | Tugma sa tanong at ledger |
Direksiyon | Intervention minus comparator | −3 ang A, hindi +3 |
Statistic at unit | Group means, puntos, may SD at n | Hindi pinaghalo ang final values, SD, at units |
Modelo, estimator, interval | Hindi pinili o kinalkula sa halimbawa | Sa totoong proyekto, tahasang piliin at suriin; huwag aksidenteng umasa sa default |
Software at run | Aktuwal na produkto/package, version, settings, petsa | Nakikilala ng ibang analyst ang run at hindi makuhang detalye |
Itugma ang resulta sa datos bago magsulat
Ihambing ang output sa natiyak na datos at plano: bilang ng studies at kalahok, direksiyon, intervals, weights, at labels. Imbestigahan muna ang kakaiba bago buuin ang resulta.
A lamang ang may ipinakitang fields para sa target na kalkulasyon. Iba ang oras ng B at kulang ang SD ng C; walang batayan dito para sa pooled estimate ng tatlo. Kung may inilabas ang programa, siyasatin ang inclusion at missing-data rules.
Mahalaga pa rin ang konteksto. Huwag pumili ng modelo gamit lang ang I² threshold o ituring na patunay ng walang epekto ang hindi significant. Tingnan ang mga prinsipyo at interpretasyon ng meta-analysis at kabanata ng Cochrane sa pagsusuri. Kung hindi angkop ang pooling, gamitin ang gabay sa sintesis at pagpapasa ng gawain para sa output at pagpapasa.
Tugma ang lahat ng row sa nakaplanong outcome, comparison, at follow-up.
Hindi maling itinuturing na independent ang maraming report o effect ng parehong kalahok.
Nakadugtong sa apektadong resulta ang conversions, missing-data decisions, at sensitivity analysis.
Tugma ang numero at label ng manuscript sa naka-save na output at malinaw pa rin ang uncertainty at limitasyon.
Ipasang magkasama ang input, settings, at output
Dapat masundan ng kasamahan ang resulta hanggang awtorisadong source. Maaaring kopyahin at baguhin ang talahanayan bilang project structure; hindi nangangahulugang kayang i-export ng bawat produkto ang lahat. Ihiwalay ang original export, checked data, at analysis input.
Sa pagsubok ng Gatsbi, magsimula sa natiyak na fields at malinaw na analysis, suriin at i-edit ang output, at i-export ang raw data at key results na inilalarawan. Ihambing sa listahan. Source mapping, buong model settings, code, at fixed environment ay kailangan pang patunayan. Hindi sapat ang report o larawan para sa reproducibility.
Ipa-rerun sa ibang analyst ang code, o ipabuo muli ang interface settings at hiwalay na kuwenta sa mahahalagang halaga. Itala ang hindi maulit, kabilang ang service version na hindi makuha. Gumawa ng bagong bersiyon na may dahilan sa bawat correction at itugma sa huling manuscript.
| Rekord / mungkahing pangalan | Nilalaman | Pagsusuri sa pagpapasa |
|---|---|---|
README.txt | Tanong, analysis ID, entry point o interface steps, prerequisites at limits | Alam ng kasamahan kung paano magsisimula at anong access ang kailangan |
source-manifest.csv at extraction-ledger.csv | Study/report ID, awtorisadong source, original/checked values, dahilan | Nasusundan ang input nang hindi muling namamahagi ng restricted full text |
analysis-input.csv at data dictionary | Input ng analysis na ito, units, missing values, transformations | Walang di-maipaliwanag na inclusion, inimbentong value, o binagong oras |
analysis-config.json o katumbas | Effect, direction, model, estimator, interval, missing rules | Malinaw na method at nakatukoy na hindi makuhang setting |
analysis.R o run-record.md; environment.txt | Checked code o interface steps, software/package versions, petsa | Maaaring ulitin o buuing muli, may malinaw na limitasyon |
decision-log.csv at outputs | Dahilan ng pagbabago, sensitivity runs, tables/figures, manuscript check | Tugma ang iniulat sa aprubadong output version |
Mga karaniwang tanong
AI ba ang RevMan at metafor?
Mga software sila para sa rebyu o estadistika. Maaaring ipares sa AI extraction o coding assistance, ngunit dapat hiwalay na suriin ang bawat papel.
Kailan pipili ng integrated workflow sa halip na R?
Isaalang-alang ito kung sapat ang methods at nakikitang records at mas gusto ang interface. Isaalang-alang ang scripts kung kailangan ng inspectable code o tiyak na method at kayang panatilihin ng pangkat. Parehong kailangang suriin ang disenyo, settings, at exports.
Paano susuriin ang AI-generated analysis code?
Tingnan ang variables, group direction, effects, uncertainty inputs, dependence, missing rules, model arguments, at package versions. Kuwentahin nang hiwalay ang simpleng halimbawa at ipa-rerun sa ibang analyst ang naka-save na script.
Maaari bang manatili sa rebyu ang hindi maisama sa meta-analysis?
Oo. Magkaibang pasya ang inclusion sa rebyu at sa tiyak na analysis. Maaaring hadlang sa kalkulasyon ang kulang na SD o ibang follow-up ngunit kaugnay pa rin ang pag-aaral. Itala ang dahilan at pumili ng angkop na sintesis.
Sanggunian at karagdagang babasahin
Basahin ang orihinal na sanggunian para sa buong pamamaraan, saklaw, at pinakabagong update.
- Pagpili ng mga sukat ng epektoCochrane
- Pagsusuri ng datos at pagsasagawa ng meta-analysisCochrane
- Pagpili ng workflow ng ElicitElicit
- RevManCochrane
- Dokumentasyon ng metaformetafor project
- Analysis at export workflow ng Gatsbi ReviewerGatsbi · dokumentasyon ng produkto ng tagapaglathala