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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».