Enhancing Rigor in Quantitative Meta-Analyses for Mindfulness Research: A Comprehensive Guide
Notice bibliographique
Résumé
Abstract Meta-analyses are considered the highest level of evidence in research design, providing a quantitatively estimated effect size for an outcome of interest pooled from some or all primary studies on a particular topic. The usefulness and accuracy of a meta-analysis depend on the rigor of the included studies and the methods adopted by the meta-analyst. In recent years, the number of meta-analyses in the field of mindfulness has increased, but the relative rigor of meta-analyses on mindfulness research has varied. Our aim with this report, therefore, is to provide a guide for future authors of mindfulness meta-analyses that offers recommendations and explanations for best practices in meta-analysis. We selected high-quality literature on meta-analyses and used the 19 meta-analyses published in the journal Mindfulness between January 2022 and 2024 to highlight methodological approaches that can enhance the rigor of future meta-analyses on mindfulness research. Although instructive content already exists on meta-analytic techniques, in this work, we brought together meta-analytic recommendations specific to mindfulness studies. We reviewed current literature on meta-analytics and now present recommendations for meta-analytic methods, reporting of meta-analytic results, and what to include in discussion sections. The present article also provides an overall checklist of mandatory and recommended items to be included in a meta-analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,546 | 0,773 |
| Méta-épidémiologie (sens strict) | 0,010 | 0,012 |
| Méta-épidémiologie (sens large) | 0,018 | 0,029 |
| Bibliométrie | 0,048 | 0,029 |
| Études des sciences et des technologies | 0,004 | 0,013 |
| Communication savante | 0,018 | 0,014 |
| Science ouverte | 0,016 | 0,014 |
| Intégrité de la recherche | 0,014 | 0,027 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,008 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».