系统综述与Meta分析并不等同。前者通过系统检索、研究筛选、数据提取和质量评价组织证据；后者则是在研究具有足够可比性的前提下，对结果进行定量合成。换句话说，Meta分析不是系统综述的“必选项”，而是证据条件允许时采用的一种合成方法。

课程由此进一步介绍固定效应与随机效应模型，以及成对、网状、诊断准确性和模型化Meta分析等常见类型。真正需要先想清楚的，不是“用哪个模型”，而是研究问题是否有临床价值、现有研究能否比较、数据是否足以支持合并。只有先划清这些边界，后续统计分析才有意义。

面对大量题名和摘要，ASReview通过“人工标注—模型学习—动态排序”的循环，将更可能相关的研究优先呈现。研究者每做一次纳排判断，模型就利用新增标签更新排序，从而把更多精力放在高相关记录上，而不是机械地逐条浏览。

但AI筛选的前提仍是规则清楚。导入前，需要先明确纳排标准、完成去重，并尽量保留完整题名与摘要；导入后，则用准确的已知文献进行初始标注，再持续开展人工筛选。

“什么时候可以停”尤其不能只看软件提示。Threshold达到设定条件，只意味着出现了停筛信号，并不等于完整的SAFE流程已经完成，更不能据此判断剩余文献全部无关。研究者仍需按照预设方案完成必要的补筛和复核，并保留相关、不相关及未筛记录，使筛选过程可追溯。

数据提取看似是“抄数字”，真正的难点却是这个数字对应谁、哪个组、什么结局、哪个时间点。课程以Elicit为例，展示如何把已纳入研究的全文和补充材料转化为结构化提取初稿。关键不是先点“提取”，而是先定义字段和规则，再用2—3篇代表性文献试提取、核对并修订。

例如提取“第28天全因死亡”时，需要分别记录干预组和对照组的事件数与分母，不能把百分比当作事件数，也不能混用不同时间点；未报告的数据应明确标记为NR或留空，而不是用0补齐。

AI生成表格后，工作并没有结束。关键字段仍要回到原文核对组别、人群、时间点、单位和统计量；同一研究的多篇报告也要识别和整合，避免重复计入。保留支持性原文、修订值和修改原因，才能形成真正可用于分析的数据集。

偏倚风险评价不是把全文“丢给AI”就能自动完成。课程以Gemini Notebook结合RoB 2为例，将评价指南与试验全文、补充材料、注册记录等放在同一证据环境中，并预先固定目标结局、时间点和效应类型，让AI先帮助定位与每个信号问题相关的原文证据。

随后仍需按照RoB 2的五个领域逐项判断：随机化过程、偏离预期干预、缺失结局数据、结局测量以及报告结果的选择。AI可以提出候选答案和理由，但证据是否适用、规则如何解释、最终风险等级如何判定，仍由研究者负责。

因此，评价过程需要同时保留原文位置、人工核定答案和修改记录，并由第二位评价者独立复核，必要时通过讨论或第三人裁决解决分歧。工具可以加快“找证据”，却不能替代方法学判断。

进入统计环节，AI最直观的价值是降低编程门槛。课程展示了Codex与R协作的路径：研究者提供经过核验的数据、字段字典和预设分析方案，由Codex辅助编写、运行和调试代码，再由统计软件完成实际计算。模型、效应量、区间方法和异常数据处理规则，都应在运行代码前先明确。

课程使用虚构教学数据，演示了从数据质控、合并效应估计、异质性评估，到逐一剔除敏感性分析和森林图输出的过程。遇到缺失值、零事件、多臂研究或数据不一致时，不能让AI“自行决定”，而应按照预设规则处理；方案没有规定的情况，则先报告问题，再确定方法。

更重要的是，代码成功运行不等于分析正确。还要核对输入数据、统计方法与输出结果是否一致，并保存分析脚本、结果表、运行日志和环境信息，通过重新运行验证可复现性。AI让“把代码写出来”更容易，也让研究者更需要说清楚“要算什么、为什么这样算”。

工具的终点仍然是科研问题本身。课程最后回到选题：先从临床观察和文献阅读中明确人群、干预、对照与结局，再借助AI快速梳理已有证据、主要结论与争议点，为后续深入阅读找到方向。

包括OpenEvidence在内的工具可以辅助定位文献，但不能替代规范数据库检索、原文核对和综述注册查询。AI“没有找到”并不等于真的没有研究。一个选题是否值得开展，仍要综合判断临床价值、证据增量、数据可得性与研究可行性。

AI负责提效，方法学负责守底线