直播时间：4月10日-11日、17日-18日

【提供全部资料、代码及长期回放】

——AI大模型助力Meta分析的选题与文献检索

1)什么是Meta分析

2)科研选题痛点解析：重复、低创新、难发表

3)利用AI大模型快速识别研究空白与争议点

4)文献的管理与清洗，如何制定文献纳入排除标准

5)文献数据获取技巧，研究课题探索及科学问题的提出

6)文献计量分析CiteSpace、VOSViewer、R bibliometrix及研究热点分析

7)AI大模型的发展与底层逻辑

8)AI大模型的高级提问框架

9)AI大模型助力寻找科学问题

专题二：Meta、统计学基础与数据清洗、缺失值智能处理

——Meta分析的常用软件/R语言、统计学基础/数据清洗

1)R语言做Meta分析的优势及其《Nature》、《Science》经典案例应用

2)AI-R语言基本操作与统计学基础和常用统计量计算（sd\se\CI）、三大检验（T检验、卡方检验和F检验）

3)传统统计学与Meta分析的异同

4）数据清洗与缺失值智能处理

数据格式标准化

缺失值六大处理策略：忽略、删除、均值填补、多重插补（mice）、模型预测、敏感性分析

异常值检测：森林图离群点、Cook距离、Gosh图辅助判断

数据质量评估：使用AI工具（如MetaLab）自动校验数据一致性

新增热点：强调FAIR原则（可查找、可访问、可互操作、可重用）在Meta数据中的实践

专题三：AI-R语言Meta效应值计算

——从原始数据到标准化效应量的可靠转换

1）R语言Meta分析的流程

2）各类meta效应值计算、自编程序和调用函数的对比

连续资料的lnRR、MD与SMD

分类资料的RR和OR

手动计算 vs 函数调用：理解公式背后的统计逻辑

复杂设计处理：多组比较、相关样本、重复测量数据的效应量提取

专题四：AI-R语言经典Meta分析全流程与高级可视化绘图

——做出期刊编辑一眼认可的专业图表

1）固定效应 vs 随机效应模型选择依据（Q检验、I²、τ²）

2）森林图定制：ggplot2 + meta包实现期刊级出版图表（含亚组标签、置信区间美化）

3）漏斗图与发表偏倚：Egger回归、Begg检验、剪补法（trim-and-fill）

4）亚组分析与Meta回归：探索异质性来源（连续/分类调节变量）

5）新增热点：遵循PRISMA 2020声明，自动生成流程图与报告清单

专题五:AI-R语言Meta分析与回归分析、混合模型构建

——AI-R语言Meta分析与混合效应模型（分层模型）构建

1)Meta分析的权重计算

2)Meta分析中的固定效应、随机效应

3)如何对Meta模型进行统计检验和构建嵌套模型、分层模型（混合效应）

4)Meta回归和普通回归、混合效应模型的对比及结果分析

5)使用Rbase和ggplot2绘制Meta回归图

专题六:AI-R语言Meta诊断分析进阶

——不止于“显著与否”，更要回答“结果可信吗？”

1)Meta诊断分析（t2、I2、H2、R2、Q、QE、QM等统计量）

2)异质性检验及发表偏移、漏斗图、雷达图、发表偏倚统计检验

3)敏感性分析、增一法、留一法、增一法、Gosh图

4)风险分析、失安全系数计算

5)Meta模型比较和模型的可靠性评价

6)Bootstrap重采样方法评估模型的不确定性

7)如何使用多种方法对文献中的SD、样本量等缺失值的处理

8)AI大模型复现Science最新Meta分析案例

专题七:AI-R网状Meta分析、贝叶斯Meta分析与不确定分析

——超越频率学派，拥抱概率思

1)网状Meta分析

2)贝叶斯理论和蒙特拉罗马尔可夫链MCMC

3)如何使用MCMC优化普通回归模型和Meta模型参数

4)R语言贝叶斯工具Stan、JAGS和brms

贝叶斯Meta分析及不确定性分析

专题八:AI-R机器学习赋能Meta分析

——当Meta遇上MetaForest：发现非线性关系与关键驱动因子

1)机器学习基础以及Meta机器学习的优势

2)Meta加权随机森林（MetaForest）的使用

3)使用Meta机器学习和传统机器学习对文献中的大数据训练与测试

4)如何判断Meta机器学习使用随机效应还是固定效应以及超参数的优化

5)使用Meta机器学习进行驱动因子分析、偏独立分析PDP