知识卡片：自动合成：用于自动化元分析的多智能体系统

一句话结论

AutoSynthesis 是一个端到端的多智能体系统，可将自然语言研究问题自动转化为完整的元分析流程，其汇总效应估计与专家手动元分析的结果高度一致（基于 Hedges' g），有望使定量证据综合大规模可扩展。

事件概述或研究问题

证据综合（evidence synthesis）是基础研究转化为可靠知识的关键，但定量元分析目前仍主要依赖人工，难以规模化。本研究提出 AutoSynthesis，旨在自动化元分析的完整流程，包括搜索策略制定、文献检索、研究筛选、全文评估、效应量提取、随机效应元分析、异质性分析和偏倚风险评估，并生成符合 PRISMA 指南的报告。

（以上内容基于 arXiv 摘要，未获取全文，核心细节待核实）

方法/产品要点

• 系统架构：端到端多智能体系统，以自然语言研究问题为输入。
• 流程覆盖：自动完成检索策略 → 文献检索 → 研究筛选 → 全文评估 → 数据提取 → 效应量计算 → 随机效应元分析 → 异质性分析 → 偏倚风险评估 → PRISMA 格式报告输出。
• 输出格式：透明、可复用的元分析报告，遵循 PRISMA 指南。

（具体智能体数量、调用模型、算法细节待核实）

主要结果或产业意义

• 应用规模：系统筛选了超过 28 项研究，提取了超过 20 个定量结论。
• 准确性：汇总效应估计与专家手动元分析的 Hedges' g 值接近，表明与人工证据综合高度一致。
• 产业意义：可显著降低元分析的人工成本，促进循证决策在医学、教育、政策等领域的广泛应用。

（“28项研究”和“20个定量结论”来自摘要，具体领域与数据待核实）

为什么重要

• 自动化瓶颈：定量元分析是循证实践的核心但劳动密集，AutoSynthesis 首次验证了端到端多智能体系统能接近专家水平。
• 跨学科可迁移：系统不受限于特定领域，可应用于科学、医学、教育、政策等多学科。
• 与已有脉络的关系：相比现有基于单一大语言模型的元分析工具（如 Elicit、Semantic Scholar 的自动化提取），AutoSynthesis 完整覆盖了 PRISMA 全流程，并包含异质性分析和偏倚评估，增量在于系统集成度与端到端验证。

局限与不确定性

• 未获取全文，以下局限待核实：
  • 仅对 28 项研究进行了测试，样本量较小，通用性不明。
  • 与专家手动元分析的比对细节（效应量类型、共变量控制、统计检验）未公开。
  • 系统是否依赖特定大语言模型 API 或昂贵的计算资源。
  • 偏倚风险评估的自动化有效性尚未经过独立验证。

（以上局限基于未获取全文的事实推断，具体需阅读论文确认）

可用于图书/PPT/简报的角度

1. 科普：人工智能如何帮助科学家从海量论文中自动提取共识结论。
2. 方法论：多智能体系统在结构化科研流程中的设计思路。
3. 应用场景：医疗决策、教育干预评估、政策制定中的证据综合自动化。
4. 对比：AutoSynthesis 与传统手动元分析的时间与经济成本对比（待核实数据）。

原始材料

• URL: https://arxiv.org/abs/2607.15247v1
• Track: academic
• Topics: foundation-model
• Manual title: AutoSynthesis: An agentic system for automated meta-analysis
• 关键词: foundation-model, meta-analysis, agentic system, evidence synthesis, PRISMA
• 英文标题: AutoSynthesis: An agentic system for automated meta-analysis