偏倚风险与研究质量：评价者应知要点

偏倚风险与研究质量相关，但并非同一概念。偏倚风险关注研究设计或实施是否可能系统性扭曲结果。研究质量范围更广，可能包括报告清晰度、方法细节、相关性、精确性及其他特征。

混淆两者会削弱文献综述。报告良好的研究仍可能存在高偏倚风险。报告有限的研究即使设计合理，也可能难以评价。

本指南解释两者区别以及评价者应如何使用这两个概念。

偏倚风险指研究结果可能因其设计、实施、分析或报告而被系统性扭曲的可能性。

偏倚可能来自：

• 参与者选择。
• 混杂因素。
• 数据缺失。
• 测量。
• 结果报告。
• 缺乏盲法。
• 失访。
• 选择性发表。
• 分析选择。

偏倚风险关注估计结果是否可能在特定方向上出错或被系统性误差扭曲。

研究质量是对研究设计、实施、报告以及是否适合综述问题的更广泛判断。

研究质量可能包括：

• 设计适当。
• 方法清晰。
• 样本充足。
• 测量可靠。
• 分析透明。
• 报告完整。
• 人群相关。
• 局限性明确。
• 伦理报告。
• 可重复性细节。

质量包含偏倚风险，但也可能包括影响有用性而非仅偏倚的特征。

关于评价背景，参见AI能否帮助研究质量评价。

主要区别在于焦点。偏倚风险询问结果是否可能被系统性扭曲。研究质量询问研究是否设计良好、报告良好且对综述有用。

示例：

• 一项研究可能方法报告清晰，但因混杂因素仍存在高偏倚风险。
• 一项研究可能设计合适，但报告不佳导致质量难以判断。
• 一项研究可能对一个综述问题质量高，对另一个问题用处较小。

使用与你所做判断相匹配的术语。

区分很重要，因为综述结论取决于证据如何加权。如果混淆偏倚风险和一般质量，读者可能不知道你发现了什么问题。

综述应说明：

• 研究是否相关。
• 方法是否适当。
• 偏倚是否可能扭曲结果。
• 报告是否限制信心。
• 结果是否应谨慎加权。

这比简单说研究“好”或“坏”更精确。

关于综合决策，参见如何比较研究论文间的方法。

是的。一项研究可能详细、透明且写作良好，但仍具有产生偏倚风险的设计特征。

例如：

• 报告良好的观察性研究仍可能存在混杂。
• 详细的调查仍可能存在选择偏倚。
• 清晰的定性研究仍可能可转移性有限。
• 强大的数据集研究仍可能使用有偏测量。

报告质量不能消除偏倚风险，只是使风险更容易评估。

有时可能，但很难知道。如果报告不佳，评价者可能没有足够信息判断偏倚。

研究可能使用了合理设计，但如果不解释抽样、测量或分析，评价者无法自信评估。

报告不佳造成不确定性。在综述中，不确定性应被记录而不是隐藏。

使用如下标签：

• 低风险。
• 一些担忧。
• 高风险。
• 不清楚。
• 信息不足。

具体标签取决于评价工具或框架。

评价者应使用适合研究类型的框架或清单。不要根据一般印象凭空做出偏倚风险判断。

评估：

• 选择过程。
• 组间可比性。
• 暴露或干预测量。
• 结果测量。
• 数据缺失。
• 混杂因素。
• 报告选择。
• 分析计划。

然后将判断与综述问题联系起来。当偏倚影响被综合的主张时，它最重要。

研究质量应结合综述目的进行评估。一篇论文可能对背景有用，但作为结果主张的证据较弱。

考虑：

• 来源是否相关？
• 设计是否适当？
• 方法是否清晰？
• 数据是否充分？
• 结果是否有支持？
• 局限性是否披露？
• 来源类型是否合适？
• 是否回答综述问题？

记录研究为何对你的用途强或有限。不要仅依赖评分。

AI可以帮助定位评价证据、总结方法并识别可能的局限性。它不应将偏倚风险和研究质量合并为一个模糊判断。

向AI提出具体问题：

• 报告了什么研究设计？
• 参与者如何选择？
• 测量了什么结果？
• 作者陈述了哪些局限性？
• 缺少哪些信息？
• 哪些来源位置支持这些笔记？

然后自己应用评价框架。

关于AI评价边界，参见AI能否帮助研究质量评价。

通过定义你需要做出的决策、该决策所需的证据以及证明决策如何做出的记录，将建议转化为可重复的工作流程。在质量和方法审查中，问题很少是缺少某个工具。问题通常是搜索、阅读、检查和写作发生在不同的地方，没有共享规则。

使用简短的操作流程：

• 命名综述问题或子问题。
• 定义你正在使用的来源集。
• 决定什么算作下一步的充分证据。
• 对该步骤中的每篇论文应用相同标准。
• 标记不确定的情况，而不是强迫给出干净答案。
• 保留可能进入最终综述的主张的来源位置。
• 在每次主要搜索、筛选或写作会话后审查工作流程。

这个流程保持工作进展而不使综述变得粗心。它还让导师、合作者和未来的你能够理解来源集为何发生变化。

记录那些以后难以重建的部分。你不需要记录每次点击的日记，但需要足够的细节来解释从问题到来源再到主张的路径。

对于这个主题，最有用的记录通常包括研究设计、方法细节、证据质量、局限性和评价者判断。添加日期、使用的工具或来源、评价者状态和下一步行动。如果AI协助了该步骤，写下它帮助了什么以及人工检查了什么。

记录应区分发现和证据。工具可能帮助找到论文，但论文本身必须支持主张。摘要可能帮助筛选来源，但原始来源应支持文献综述中出现的任何陈述。

在撰写之前，检查工作流程是否产生了可用的证据或仅是有用的笔记。笔记帮助你思考。证据支持句子。

询问：

• 这个来源将支持哪个主张？
• 主张是否比证据更窄？
• 方法、样本、结果或概念细节是否已检查？
• 局限性是否可见？
• 冲突论文是否被处理而不是忽略？
• 引用是否真实、最新且相关？
• 其他读者能否理解这个来源如何进入综述？

如果答案不清楚，将要点保留在笔记中而不是移入草稿。这是防止AI辅助研究变成精致但薄弱写作的小停顿。

WisPaper可以帮助研究人员在评价前收集和检查论文。Deep Search、Scholar Agent和Inspiration Discovery支持自然语言学术搜索，而论文卡片显示来源标签、摘要、作者、出版详情和预览图像。

论文可以保存或上传到My Library，其中Library QA可以根据用户自己的论文集回答问题。这可以帮助研究人员定位方法、比较来源类型，并在正式评价前识别需要核实的细节。

WisPaper支持来源发现和检查。偏倚风险和研究质量判断应遵循所选评价框架，并仍是研究人员的责任。

试用WisPaper