适合人群
科研工作者、教师和研究生，以及希望把通用科研任务整理为可复现工作流的用户
← AI 科研案例集 / 文献综述
文献综述 · OpenScience 真实对话 · GPT-5.6-sol
小型 Meta 分析：从效应量到森林图
用8项完全虚构的研究，真实完成均数差、固定与随机效应、异质性、逐一剔除分析和森林图。
1 轮原生对话8项虚构研究森林图与敏感性分析
开始前准备
准备研究问题、已有材料和希望交付的成果格式；涉及文献时同时提供检索范围与纳排标准。
你将获得
- 1 轮原生对话
- 8项虚构研究
- 森林图与敏感性分析
- 5 项可查看的项目文件
方法与边界
案例用于展示工作流和交付形式，事实、文献与结论仍需研究者核验。
原生会话与文件
直接查看真实使用场景
保留原始用户提问和 Agent 完整回复；公开版本仅移除内部路径、连接信息、凭据、隐藏推理与计费数据。
真实对话｜通用科研｜小型Meta分析：从效应量到森林图
AI 研伴（OpenScience） · gpt-5.6-sol
用户
请用8项完全虚构的两组研究演示一次小型Meta分析，结局为连续变量且不同研究使用同一量表。实际生成教学数据，计算各研究均数差及95%置信区间，完成固定效应与随机效应模型、异质性、逐一剔除敏感性分析和森林图。交付中文HTML报告、研究数据CSV、汇总结果CSV、森林图PNG和可复现Python脚本。不要把模拟结果写成真实证据，并说明研究数较少时漏斗图和发表偏倚检验的局限。
AI 研伴（OpenScience） · gpt-5.6-sol
已完成
已生成并验证全部5个交付文件。所有数据和结果均为人为构造的教学示例，不对应任何真实研究，也不能作为临床、政策或科研证据。
交付文件
教学结果概览
效应量定义为：
MD = 干预组均数 − 对照组均数
虚构量表设定为分数越低越好，因此负MD倾向干预组。
| 分析模型 | 汇总MD | 95% CI |
|---|---|---|
| 固定效应（逆方差） | −3.043 | −4.075～−2.012 |
| 随机效应（DerSimonian–Laird） | −2.941 | −4.341～−1.542 |
异质性教学结果：
- Cochran Q = 11.867，df = 7，p = 0.1050
- I² = 41.0%
- DL τ² = 1.600
- τ = 1.265个量表分单位
- 随机效应逐一剔除汇总MD范围：−3.389～−2.634
HTML报告包括：
- 8项虚构两组研究的完整教学数据
- 各研究MD、标准误和95%置信区间
- 固定效应与随机效应模型
- Q、I²、H²、τ²和τ
- 逐一剔除敏感性分析
- 嵌入式森林图
- 方法与公式说明
- 小样本Meta分析的解释限制
- 漏斗图及发表偏倚检验在仅8项研究时功效低、不稳定且不能可靠排除或确认发表偏倚的说明
运行以下命令即可重新生成所有输出：
python reproduce_meta_analysis.py
工具执行细节已脱敏；交付文件保留在右侧。
1 轮原生对话
8项虚构研究
森林图与敏感性分析
继续探索
相关科研案例
文献综述
范围综述：生成式 AI 如何影响科研工作
从一个中文研究问题开始，真实生成 PCC、双语检索式、筛选台账、证据提取表、PRISMA-ScR 清单和中文导读。
查看真实对话文献综述
系统综述：从方案到 PRISMA 筛选
用虚构候选记录真实演示PICO/PECO、双语检索、去重、逐条排除理由、偏倚风险表和PRISMA流程。
查看真实对话研究问题与方案设计
从模糊想法到可执行研究方案
把一个宽泛研究兴趣转化为问题、变量、假设、可行设计、偏倚边界和分析计划。
查看真实对话先理解方法，再迁移到自己的研究
常见问题
使用这个案例前，你可能想了解
“小型 Meta 分析：从效应量到森林图”适合哪些用户？
科研工作者、教师和研究生，以及希望把通用科研任务整理为可复现工作流的用户
复制案例前需要准备什么？
准备研究问题、已有材料和希望交付的成果格式；涉及文献时同时提供检索范围与纳排标准。
可以把案例结果直接用于论文或决策吗？
不建议直接照搬。案例用于展示工作流和交付形式，事实、文献与结论仍需研究者核验。复制案例后，应使用自己的数据重新运行并逐项核验。
这个案例会占用很多计算资源吗？
不会。公开案例按网页版轻量分析设计；大型原始数据、深度学习、单细胞、空间组学或医学影像任务，建议通过远程计算功能连接自己的服务器。