問：選舉期間有好多份民調，每一份說的都不太一樣。我該相信哪一份？還是應該合在一起看？
答：（蔡依橙）
這是孩子最近問我的問題。
我聽了覺得很有意思，因為統合分析這種研究方法當初會被發展出來，就是為了回答這種問題。
每一份民調，其實就像一篇研究。
依《公職人員選舉罷免法》第 53 條，選舉期間發布民調，必須同時載明負責調查單位、主持人、辦理時間、抽樣方式、母體數、樣本數、誤差值及經費來源。
這就像一篇研究必須寫清楚它的 Materials and Methods：誰做的、誰出錢、什麼時候做、怎麼抽樣、樣本多大、誤差多少，全部攤開來接受檢視。
做統合分析時，我們也會用文獻評讀的眼光去看每一份：抽樣方式有沒有問題？題目會不會引導？有沒有可能產生偏誤？這就是所謂的 risk of bias。
問：我的統合分析最後收了 9 篇進入分析，但 outcome 量表分成兩種，一種測「滿意度」（7 篇），一種測「品質」（2 篇）。因為篇數的關係，我打算把兩種合在一起看，直接在文中說明。或者會建議用分組分析來處理嗎？
答：（蔡依橙）
這個有幾種做法，但最重要的問題是要先思考：滿意度跟品質到底一不一樣？這兩個在概念上是差很多，還是其實相關性很高？
這牽涉到你對這個領域的熟悉度，因為有些領域會認為，滿意度跟品質根本不一樣。但有些領域則是滿意度跟品質其實非常高度相關。
「根本不一樣」的意思是，有些人的品質不好，但是滿意度很高；或者品質很好，但滿意度卻不高。如果我們覺得這種狀況其實很明顯，那麼直接專注在滿意度那 7 篇去做統合，會是比較乾淨的做法。
但如果你個人的直覺，加上文獻上也支持，品質跟滿意度基本上可以混用，那就兩個合在一起做統合分析，並用一個更上位的名詞把它們涵蓋起來。（例如 well-being）
問：我在做一個介入型主題的統合分析。從一百多篇文獻篩選到最後，能放進 CMA 的只剩這些：一種是「組間比較」，同一個疾病族群，一組有介入、一組沒介入，四篇；另一種是「組內比較」，同一個疾病族群比較介入前後，而且是拿介入後的數值去跟一般族群比，三篇；剩下四篇因為沒有完整的 mean 和 SD，只能做 narrative synthesis。總共十一篇。我想全部整合起來，讓故事更完整。這樣合理嗎？組間和組內可以合在一起分析嗎？（題目經模糊化處理，但保留精確概念。）
答：（蔡依橙）
先講一個關鍵：有對照組的「組間」研究，跟這種「組內前後測、再拿介入後去跟一般族群比」的研究，是沒辦法合在一起做統合的。
不只是統計上不建議，更根本的是，它們回答的臨床問題其實不一樣。
組間那幾篇問的是：「同一個疾病族群，有介入的，是不是真的比沒介入的好？」
組內那幾篇問的是：「這個疾病族群透過介入，介入後的表現能不能拉近跟一般族群之間的差距？」
你可能覺得，這兩個不都在講「介入有效」嗎？但在科學概念上，它們是兩件事。一個是證明介入本身有效，一個是證明介入能縮小疾病族群跟一般族群的落差。混在同一張森林圖裡，讀者會混亂，審閱者也會有疑慮。
作者：臺中榮總 過敏免疫風濕科 陳韻文 醫師
2024 年，我在美國哈佛大學醫學院附屬布萊根婦女醫院，過敏及臨床免疫科擔任一年期研究員時，參加指導教授為 Fellows 舉辦的「Introductory Course for Allergy and Immunology Fellows Program」。在職涯規劃分享與諮詢的環節，來自奈及利亞的 Ayobami T. Akenroye 醫師給 Fellow 們一個我印象深刻的建議：
「A review article or meta-analysis in the field you are interested in.」
她鼓勵年輕醫師，可以從自己有興趣的領域，嘗試 review article 或 meta-analysis。過去我一直以為這兩種文體是比較資深的研究者才有能力駕馭，也因為這句話，我決定回台灣後要把這兩種文體學起來。
作者：童綜合醫院 腎臟內科 陳昶旭 醫師
這次參加《統合分析工作坊》，對我而言並不是第一次接觸統合分析。多年前曾經實際做過 network meta-analysis，因此對 systematic review、文獻搜尋、資料整理以及統合分析的基本流程並不陌生。
不過，這次課程還是讓我有不少新的收穫，尤其是在 AI 工具逐漸進入研究工作的現在，很多過去需要花大量時間摸索的步驟，已經可以用不同的方式來進行。對我來說，這次最有價值的部分，不是重新學習統計方法本身，而是重新思考現在要如何更有效率地完成研究題目的設定、文獻搜尋，以及後續投稿的整個流程。
作者：童綜合 腎臟 張家華 醫師
平常在臨床工作中，遇到治療選擇或研究結果不一致的時候，我常會找統合分析來看。但看別人的文章，跟自己從頭做一篇，還是兩回事。
一直有想學的念頭，也有幾個感興趣的題目，只是想到文獻搜尋、資料整理、統計和寫作，就不知道該從哪裡開始。這次參加新思惟的統合分析課程，最主要的期待，就是把這些零散的概念接起來，弄清楚自己接下來可以怎麼做，剛好遇到學長邀請一起參加，就來看看。
作者：國立陽明交通大學 醫學系 黃照文 同學
這次會報名參加新思惟的《統合分析工作坊》，最主要的原因，是因為近期開始接觸 Meta-analysis，希望能學習如何製作 forest plot，以及統合分析中常見的各式圖表。其實在決定報名之前，我幾乎沒有太多正式的研究經驗，許多對其他人而言可能屬於研究入門的基礎知識，對我來說都是第一次接觸。
因此，在正式上課前，我其實非常擔心自己會不會因為基礎不足而跟不上進度，甚至一度擔心課程內容會過於艱深。不過實際參與完整個工作坊後，我發現這樣的擔心其實是多餘的。
作者：高雄市茄萣區 成功國小 林俊仰 老師
教育領域相關研究也可以用「統合分析（Meta-analysis）」（教育、心理及社會科學界又稱「後設分析」）來做嗎？答案不僅是肯定的，而且這片藍海還有許多主題尚待開發。
想做研究，但收案要等、IRB 要申請；臨床與工作把時間切得零碎，題目在腦中想了好幾年，始終沒有踏出第一步。
統合分析，不需要經歷這些困難。
「本來還想做 RCT 的研究論文，原來是這麼困難，感謝老師先教我們初學者可以完成的 SCI 等級論文，關於資料擷取是我課外要學習的方向。」
許多人的第一個研究構想，是自己收案做 RCT 或世代研究；真正開始評估後才發現，收案、經費、人力、時程，每一關都是大工程。
所以課程帶你先走一條初學者就能完成的路：以既有文獻為材料，做出 SCI 等級的論文。當第一篇成功發表，履歷有了成績、心裡有了底氣，再回頭挑戰更大的研究設計，資源與合作都會更容易到位。
關鍵字怎麼下、資料庫怎麼選、同義詞怎麼涵蓋，每個環節都影響最後能收進幾篇研究。
課堂中，講師把 AI 工具輔助搜尋的實際做法攤開來示範：哪些步驟可以交給 AI 加速、哪些判斷必須自己把關、AI 給的結果要怎麼驗證。工具與方法學互相搭配，研究的起步，比過去快上許多。
「謝謝籌備團隊與講師們的用心規劃！經過今天的工作坊，感覺自己寫論文的信心和鬥志大大增加了！」
互動實作時間，你會在自己的電腦上，用 CMA 跑出投稿等級的森林圖，卡關的地方，講師與助教隨時到身邊協助。當圖表真的從自己手中產出，信心與鬥志，自然就長出來了。
統合分析不需要 IRB、不需要病歷、不需要龐大的團隊，只要電腦跟網路，就能寫出一篇有品質、有系統的論文。在臨床與研究時間都被切碎的現實裡，它是高 CP 值的學術產線。
從新手到能獨立完成研究，《統合分析工作坊》幫你打好基礎、補齊關鍵技能，讓你的能力拼圖完整成型，研究路上更有競爭力。一年發表三篇，打造自己的學術產線！
如果你的研究是教育領域，或是屬於很難找到對照組的領域，但有盛行率的資料，也可以寫出統合分析論文喔！
對網絡統合分析、內科系研究、外科系研究、個案報告等文體，以及想要走向國際有興趣的，我們也有相對應的課程。主題不同，內容一樣豐富優質，一樣都有大量校友產出成績。
孩子整天滑手機、看短影音，做家長的卻不知道怎麼引導？《AI 素養教育工作坊》專為家長設計，蔡依橙醫師分享如何把 AI 與數位工具從「玩具」轉變為孩子的「學習工具」，從小幫助孩子建立自律與自學能力，把 3C 從讓人擔心的源頭，變成解決學習困境的助力。
臨床做得很好、研究也持續累積，但網路上的能見度卻像透明人？在 AI 文章氾濫的時代，光是「會寫」已經不夠，更要讓搜尋引擎與 AI 都認得你的真實專業，產生長期、被動的曝光與信任。《AI 時代的個人品牌工作坊》是一日實戰課，帶你當天就完成自有網站並發表第一篇文章，整合 Claude Code 與 GEO 策略，把屬於你的專業曝光渠道建立起來。
課後卡關不用再怕無人能問，新思惟推出每週一次蔡校長的 Office hour，提供課程校友線上諮詢，陪著學員走完成功發表的最後一哩路！
以下，一起回顧當天熱情學習的照片記錄。
感謝各位給籌備團隊的匿名回饋，所有學員給籌備團隊的滿意度，全部分數皆高於 4.86 分！謝謝大家給予肯定與建議。
根據統計，本次學員組成如下：
感謝大家課後的匿名手寫回饋，內容非常精彩，包括 AI 搜尋帶來的啟發、CMA 軟體的使用技巧、課程手冊，以及寫論文的信心和鬥志大大增加，顯示不管是研究初心者或是資深研究者，都能在工作坊中有豐富的收穫，很榮幸新思惟的課程能給您前所未有的突破和啟發！
除了統合分析，想要無資源起步，現在又多一個選擇囉！網絡統合分析，讓你工具更多、產線更多。
對於內科系研究、外科系研究、個案報告等文體，以及想要走向國際有興趣的，我們也有相對應的課程。主題不同，內容一樣豐富優質，一樣都有大量校友產出成績。
自己的臨床做得很好，研究也發展不錯，但網路上的存在感卻形同透明？期待在 AI 時代生存得更好，讓自己的專業和成績被看見，也想協助孩子正確運用新的科技，網路個人品牌課程與素養教育課程可以幫助你！
所有工作坊，都有售後服務喔！詳細辦法，請參考 Office Hour 頁面說明。
「真的有辦法在一個中午的時間，就做出整套 SCI 的圖表嗎？」這幾乎是每個梯次的同學來到課堂上，都會有的疑問。
上午聽完三堂課之後，同學們已經能感受到，這裡的教學是以學生為中心，並且是以讓大家能夠發表 SCI 為目標所設計的。因此，中午開始動手做的時候，大家對課程本身已經有了信心。
也因為這樣，大家在繼續動手的過程中，發現這樣規劃的教學如此有效。每個人的成就感，以及對整個學習過程的良好體驗，都是相當好的結果。在互動實作結束之前，所有人也都完成了整套 SCI 期刊等級、可以用來投稿的圖片，非常不錯。
以下，一起來看看老師們還想向各位建議的小細節，以及得獎同學的作品。
張凱閔醫師 / 蔡依橙醫師
2026 年 11 月 21 日（六）9:00a – 4:40p
集思台中新烏日會議中心 台中高鐵站旁
醫療 / 非醫療都有題目寫 / 免寫程式
台中高鐵班 / 台北班，同步開放報名！
有臨床觀察、有想法，卻沒時間收案、IRB 跑不完，也找不到願意帶的老師，研究始終起不了步。統合分析（Meta-analysis）剛好不需要這些。
它用的是已經發表的文獻，收案、IRB、等資料累積，全部省下來。會用 Word、Excel 就能學，不必寫程式，課後回家就能動手。
課堂上，你會在自己的電腦親手做出一整套投稿等級的圖表。AI 也會教：找題目、潤稿可以交給它，數據萃取這類容易出錯的環節，會告訴你怎麼自己把關。課後卡關，有 Office Hour 可以問。
2025 年，新思惟校友全年發表 1034 篇，原創論文中每 5 篇就有 1 篇是統合類。不只醫師，護理師、物理治療師、營養師、藥師，以及公衛、教育、心理領域的研究者，只要題目有「介入」與「結果」、領域裡有累積的文獻，就做得出來。
博士班要畢業論文、研究所要 SCI、職涯要代表作，統合分析是資源門檻最低、方法論也站得住腳的起點。
學術發表這件事，不必等到資源齊全才開始。
在 2025 年，新思惟校友月發表數屢破 100 篇，全年產出 1034 篇。為什麼大家產量激增？因為越來越多的研究者都在開發「第二、第三產線」。
臨床研究常受限於 IRB 與收案速度，而「統合分析」則是突破限制的關鍵。2025 年校友發表的原創論文中，每 5 篇就有 1 篇是統合類文章！ 這是最穩定、最可控的學術投資。
🧭 免收案，免 IRB，臨床直覺即價值。
不用求人分數據，只要有公開文獻與正確方法，就能把你的臨床觀察寫成 SCI 論文。
🤖 AI 協作，把力氣用在刀口上。
教你如何與 AI 腦力激盪，在 PubMed 快速過濾熱門題目。文法檢查、語句潤飾這些瑣事交給 AI，你的心力，留給臨床討論。
📊 免寫程式，直覺做出頂尖圖表。
互動實作時間，你會親手操作專門軟體，現場產出投稿等級的森林圖、漏斗圖。遇到問題助教隨時在側，保證從 0 到 1 真的做得出來。
🛠️ 最挺你的 Office Hour，課後寫作不卡關
上完課，回家開始寫，才會遇到真正的問題。新思惟提供課後提問機制，投稿過程中 Reviewer 的各種意見，都可以來問。
✅ 選題雷達： 快速判斷主題 CP 值，確保有發表機會。
✅ 數據整理： 排除低品質研究，建立系統化資料夾。
✅ 視覺呈現： 製作符合頂尖期刊規範的統計圖表。
✅ 回覆技巧： 如何把 Revise 變成 Accept 的關鍵對話。
你是來自醫療、教育、運動、心理、護理、營養、公共衛生、管理，只要你想解決臨床疑慮，研究題目，有「介入」與「結果」，統合分析就能幫你提升發表效率與品質！
過往參與這門課程的校友，不僅成功發表了論文，還有不少人在短時間內進入論文量產的階段。無論是醫學背景的專業人士，還是非醫學領域的學者，都能夠從中獲益。
《統合分析工作坊》，讓學術研究變得簡單可行。資源不多、又需要發表成績的研究者，很適合從這裡起步。
問：正在起步統合分析，想請教一個文獻評讀的問題。我把 RCT 與 systematic review 的評讀標準匯入 AI 工具，再把要評讀的論文傳上去，請它依標準評讀。這樣操作合適嗎？會有什麼盲點？因為有些論文頁數真的很多，很難全部人工評讀，如果還要從 reference 回溯做二次搜尋，更是困難，所以想借 AI 的力量協助。
答：（蔡依橙）
可以這麼做。但在你把結果貼進表格之前，先知道它會給你什麼樣的東西。
我自己的經驗是，AI 跟我評的真的差很多，而且會偏嚴格，評出來通常是 some risk 跟 high risk 一堆。
這其實不難理解。文獻評讀本來就有主觀成分，每個人評起來本來就不會一樣，甚至你叫 AI 今天評跟明天評，它也不見得會給你一樣的結果。
所以比較實際的做法是：用 AI 先跑一輪，然後你自己看，覺得「這篇怎麼會 high risk、some risk 這麼多」的時候，就針對你懷疑的那幾項回去查原文。
這一步不能省。表格上掛的是你的名字，審閱者問到某一項為什麼這樣評，要答得出來的人是你。
問：我找的題目是比較不同術式的效果差異，這個主題應該還沒有人做過，但相關的比較性研究很少，湊到最後只有 5 篇，而且全部是 retrospective。我自己先做了森林圖，結果是顯著的（p = 0.018）。但接著遇到兩個問題：第一，敏感度分析發現拿掉其中一篇之後就不顯著了，信賴區間跨過中線一點（p = 0.07），discussion 該怎麼敘述比較恰當？第二，如果要做 subgroup analysis，因為篇數少，會變成 2:3 甚至 4:1 的狀況，這樣還適合做嗎？
答：（蔡依橙）
先講一個前提：只有 5 篇的統合分析，本來就是「初步方向」，不是定論。這不是你的問題，Cochrane 自己的統合分析，中位數也才 3 篇。審閱者看到 5 篇，心裡本來就不會期待一個很確定的答案，他們要看的是你有沒有誠實把不確定寫出來。
因為篇數少，拿掉最強的那一篇就變不顯著，這其實很常見。有人統計過 Cochrane 的統合分析，三分之一只要改動五個以下病人的結果就會翻盤，所以這不是失敗，是提醒你結論要寫得比 p = 0.018 看起來的更保守。
具體來說，discussion 盡量不要寫「趨勢接近顯著」。一般期刊可能還好，但如果遇到專業的統計審閱者，會很不喜歡這種寫法，因為有人算過，接近顯著的 p 值再加資料之後，並不見得真的就會往顯著邁進。
比較安全的寫法是描述事實：五篇的效果方向一致，合併結果顯著；拿掉某一篇後，效果估計值仍偏向有效，但信賴區間跨過無效線，代表目前證據的精確度受限於篇數，需要更多研究確認。這樣寫，你沒有多說，也沒有少說。
英文可以這樣寫：Although the pooled estimate favored [intervention], the leave-one-out sensitivity analysis showed that the effect was no longer statistically significant after excluding [Study], with the point estimate remaining in the same direction. Given the small number of included studies, these findings should be regarded as preliminary; larger comparative studies are needed to confirm the observed direction of effect.
問：最近一篇 SCI Q1 被接受後，期刊社在 production 階段把部分圖表和內容說明刪掉了。我們 proof reading 時提出修正，但文章正式上線後，發現這些修正並沒有被正確更新，寫信給原本的窗口也沒人回應，直到打電話給出版社總部才開始有人處理。這種狀況，適合正式寫信給 editorial office，要求確認責任歸屬、並提供原本負責的 production 人員姓名嗎？未來投稿同一家出版社，可以要求迴避同一人嗎？
答：（蔡依橙）
這種狀況很常見，這幾年不少人都回報過類似經驗。
現在許多大型出版社的 production 流程大幅外包給少數幾家超大型供應商，通常是懂英文但人力超級便宜的國家，他們開出來的價格便宜到非常驚人。
這在討論區跟媒體也多有報導，proof 改六輪、整段文字被刪、代名詞被換成數字、必要的連接詞被移除、數學符號排版錯亂，最後出版版本仍留有未修正的錯誤，都有。
也有擔任期刊主編的人證實，proof 階段確實會冒出離奇又前後不一致的錯誤，而且連他都懷疑，供應商把校對工作丟給還不成熟的自動化系統，卻沒有讓人力充分把關。更關鍵的是，期刊編輯往往也沒有選擇供應商的自由，這是「出版集團」層級決定的事。
作者：蔡依橙
常被問到，「用 AI 來做研究，到底可不可以？」
現在工具很多，從問答型 AI，到能自己跑流程的 AI agent，也包括各種用 AI 打造查詢介面的資料庫工具，甚至網路上大量免費分享的 skills。這些東西，究竟能不能拿來當研究工具？
有人說「AI 會出包」，有人說「會出包那是你不會用」，有人說「你看我這樣很快就生出整篇」，也有人說「你那個拿去投稿會出事」。到底哪個對？
這幾個月，只要有人提過，我就去實際使用並感受。歸納起來，我建議一個不錯的思考架構。
任何 AI 工具，在使用之前，都該先針對「自己想完成的那件事」，思考一下以下四個等級，看看你需要多高的要求。這四個等級，由低而高分別是：可行、可控、可重現、可負責。
