メタ分析
定量メタ分析専用スキル。システマティックレビュー（SR）のL1-L8完了後、L9から大幅に拡張された完全な定量統合ワークフローを提供します。R統計はClaude CodeがローカルR環境で直接Rscriptを実行（metafor等）、生の出力（summary / warnings / sessionInfo）は監査パッケージに取り込まれ、レッドライトはRが計算し（LLMは数字を読み取りません）、ssci-plotsと連携してフォレストプロット/ファンネルプロットを生成します。
クイックエントリ：最初の実行可能ステップは§3 メインエージェント起動フロー + §4.2 L9.1 効果量抽出を参照。詳細は references/ + scripts/ + ベースSSOTを参照。
1. トリガーと適用シナリオ
1.1 トリガーフレーズ
英語：meta-analysis、effect size pooling、random-effects model、forest plot、funnel plot、heterogeneity I-squared、meta-regression、subgroup analysis、Hunter-Schmidt、RVE meta-analysis、three-level meta-analysis、MASEM、meta-analytic SEM、reliability generalization、p-curve、PET-PEESE、RoBMA、metafor、psychmeta。
中国語：元分析、Meta 分析、定量統合、効果量統合、森林図、漏斗図、異質性、ランダム効果モデル、Meta 回帰、サブグループ分析、心理学元分析、尺度元分析、信頼性一般化、心理測定元分析、依存効果量、RVE 元分析、三層元分析、出版バイアス、p カーブ。
1.2 逆トリガー（不適用 / 他のスキルへ切り替え）
| ユーザーシナリオ | 切り替え先 |
|---|---|
| 検索/スクリーニング/RoB（L1-L8）のみで統合は行わない | systematic-review |
| 定性的エビデンス統合のみ（効果量なし） | systematic-review（質的パス）または literature-set-review |
| 収集した文献セットでレビューを書くが統合は行わない | literature-set-review |
| ナラティブレビュー / スコーピングレビュー / 統合レビュー | field-overview-review |
| 50年/30年にわたる分野の発展史レビュー | field-evolution-review |
| 理論構築 / 概念分析 / 対立理論比較 | theoretical-review |
| フォレスト/ファンネルプロットのレンダリング | ssci-plots（連携） |
1.3 有効化条件のヒント
- 心理学シナリオ（デフォルトで必須）：トリガーキーワードに心理学の概念、尺度（BDI、SCL-90、Big Five等）、APAジャーナル、JARS、再現性危機を含む。
SSOT-PSYCHOLOGY-SUPPLEMENTS.md（8つのトピックを含む）も同時に読み込む。 - 中国語シナリオ：ユーザーが中国語でコミュニケーション、『心理学報』『心理科学進展』、CNKI、GB/T 7714に言及。
SSOT-CHINESE-CONTEXT.mdも同時に読み込む。 - ネットワークメタ分析：ユーザーが3つ以上の治療法を比較、またはNMA / network meta-analysisに言及。
SSOT-SYNTHESIS-METHODS.md§4も同時に読み込む。
2. 前提条件（L1-L8が完了していること）
本スキルはL1-L8が完了していることを前提とします。ユーザーはsystematic-reviewを使用するか、自身で研究課題の構築、検索、スクリーニング、抽出、RoBを完了している必要があります（詳細は§13とsystematic-reviewの連携を参照）。L1-L8が未完了の場合、メインエージェントはsystematic-reviewへの切り替えを提案する必要があります。
3. メインエージェントの役割と責任
あなたはコーディネーター、判断者、計画者であり、実行者ではありません。 各サブエージェントは現在利用可能な最強のモデルを使用する必要があります（メインエージェントと同等、コスト削減のためにダウングレードしない）。デフォルトでブロッキング。同一メッセージ内での複数エージェント呼び出し = 並列。
3.1 メインエージェント必読（起動後すぐに読み込む。「いつ読み込むか」の判断表を待たない）
メインエージェントはスキルトリガー後直ちに以下のSSOTを読み込みます。ワークフローの後半で「オンデマンド」で読み込むことは許可されません。
全6スキル共通必読（強制）：
review-methodology-foundations/references/SSOT-AI-FAILURE-DEFENSES.md（4種類のLLM障害モードと防御 — MAは4種類全てCORE、§2 §3強化）review-methodology-foundations/references/SSOT-LIFECYCLE-12-PHASES.md（任意の時点で現在のフェーズを確認）review-methodology-foundations/references/SSOT-METHODOLOGY-TERMINOLOGY.md（フェーズ間の用語統一）
MA固有必読：
SSOT-EFFECT-SIZE-DECISION.md（L9.1必読）SSOT-SYNTHESIS-METHODS.md（L9.4 モデル選択 / L9.5 異質性 / L9.9 出版バイアス）SSOT-PSYCHOLOGY-SUPPLEMENTS.md（心理学シナリオ、デフォルトで必読、8トピックを含む）
SSOT-AI-FAILURE-DEFENSESにおけるMAの強化防御項目（4種類全てCORE、§2 §3強化）：
- §2 効果量誇張の強化：Cohen表に加え、Funder & Ozer 2019の厳格な基準を追加。CIはすべてのサブグループ/メタ回帰結果に強制的に拡張。
- §3 信頼性幻覚の強化：異質性I² > 75%の場合、統合効果量の提示を強制的に禁止。出版バイアス必須チェックリスト = funnel（contour-enhanced）+ 回帰検定（Egger / Peters / Harbord、効果量タイプに応じてルーティング）+ 心理学補足 ≥ 1（p-curve / p-uniform* / PET-PEESE / selection models / RoBMA）。Trim-and-fillは感度分析としてのみ使用（§4.2 L9.9と一致）。
3.2 起動フロー（最初の実行可能ステップガイド）
ディスパッチ順序は§4のワークフローに従う：
0. MAエントリpreflight（BK-1を閉じる）：L9.1をディスパッチする前に、decisions/01/02/07/08が準備できていることを確認する。統合パスではSR L1-L8がこれらを生成。独立MAエントリ（ユーザーが自分でL1-L8を完了し、直接MAに入る）では、最初に§3.3「独立MAエントリスキャフォールディング」に従い、decisions_templates/からテンプレートをコピーしてこれら4つのファイルを埋める。1つでも欠けている場合はL9.1をブロックする（決定アーカイブを読まずに実行することは§3.3の強制必読に違反する）。
- L9.1 ディスパッチ Effect-Size-Extractor（最初の実行可能ステップ、§4.2参照）→ 研究ごとの効果量 + SE
- L9.2-L9.4 直列（補正 → 依存性 → モデル選択）
- L9.5 異質性を優先（そのブロッキングシグナルがL9.6/L9.7を強制するかどうかを決定）→ L9.6/L9.7は並列可能。L9.8 感度分析はL9.5の後に直列で実行（leave-one-out / FE vs RE / τ²推定器比較はL9.5で決定されたモデルベースラインに依存するため、L9.5と並列不可）
- L9.9 単独実行（前の結果に依存）。L9.10 はオンデマンド
- L10 GRADE → L11 ライティング（Chart-Bridge ssci-plots連携を含む）→ L12 自己評価
3.3 フェーズ間決定アーカイブルール（強制）
メインエージェントは各フェーズの出力後、決定結果をdecisions/サブディレクトリに書き込む（このタスクの作業ディレクトリと同じ階層）。各決定アーカイブは独立したmdファイル（YAML frontmatter + 本文、100行以内/ファイル）。SSOTの内容はコピーしない。
MA決定アーカイブディレクトリ構造（SRと統合する場合、SRの01-08を再利用）：
decisions/
01_type_decision.md # L1：心理学シナリオ判定を含む（重要 — L11でJARS-Quantを読み込むかどうかを決定）
02_research_question.md # L2：PICO + 効果量プリセット
03_mode_decision.md # L3：厳格 vs 学習
07_data_types.md # L7：二重抽出フィールド
08_rob_tool_decision.md # L8：RoBツール
09_synthesis_decision.md # L9：FE/RE/RVE/三層/MASEMの選択 + k閾値
09.1_effect_size.md # L9.1：効果量タイプ + SE逆算
09.4_model_selection.md # L9.4：FE vs RE
09.5_heterogeneity.md # L9.5：I² / Q / τ² / 95% PI
09.6_subgroup.md # L9.6：k≥10で有効化
09.9_publication_bias.md # L9.9：4+ ツール
10_grade_decision.md # L10
11_reporting_standard.md # L11：APA MARS Table 9 + PRISMA 2020 + 12箇所の差異
独立MAエントリ決定アーカイブスキャフォールディング（BK-1を閉じる、必読）：MAの最初の実行可能ステップL9.1では、decisions/01/02/07/08を必読とする（§3.3 フェーズ間強制必読 + decision-provenance §3）。しかし、これら4つのファイルの生成者はSR L1-L8である。2つのエントリパスでそれぞれ以下のように実装し、「必読だが誰も作成しない」という事態でスタックするのを防ぐ：
- 統合パス（
path: combined_with_sr）：SR L1-L8が01/02/03/07/08を生成済み（同じdecisions/ディレクトリを共有）→ MAはそのまま読み込み、上書きしない（接続ゲートは§13.1 N-4参照）。 - 独立MAエントリ（
path: standalone、ユーザーが自分でL1-L8を完了し、直接MAに入る）：メインエージェントはL9.1をディスパッチする前に、ユーザーが完了したL1-L8の結論を01_type_decision.md（心理学判定を含む）/02_research_question.md（PICO + 効果量プリセット）/07_data_types.md（データタイプ + 信頼性 + n）/08_rob_tool_decision.mdに落とし込む——review-methodology-foundations/decisions_templates/から対応する空のテンプレートスケルトンを直接コピーして記入する（テンプレートにはfrontmatter + 決定結論/根拠/上流下流/検証構造が含まれる）。 - 構造的ブロッキングゲート（「プロンプトでの注意喚起」ではない）：
01/02/07/08のいずれかが欠けている場合 → preflightでL9.1をブロックする（「決定アーカイブを読まずに実行」とみなす）。メインエージェントが即興でテンプレートなしの決定アーカイブを補完したり、これら4つのファイルをスキップして直接Extractorをディスパッチすることは許可されない。
decisions_templates/は空のテンプレートスケルトン（S4で作成、パスreview-methodology-foundations/decisions_templates/）。SRの11クラス + MAの5つの09.xサブフェーズ + 監査成果物04a/07a/09.x_auditをカバーする。これは「01/02/07/08にコピー可能な開始点を提供する」ものであり、決定インスタンス自体ではない。
フェーズ間強制必読：L9/L10/L11/L12フェーズのすべてのサブエージェントプロンプトには以下を含める必要がある：
**必読（決定アーカイブ）**：
- decisions/01_type_decision.md（心理学判定を含む → L11でJARS-Quantを読み込む根拠）
- decisions/02_research_question.md
- decisions/03_mode_decision.md
- decisions/07_data_types.md
- decisions/08_rob_tool_decision.md
- decisions/09*.md（このフェーズの必要に応じて09.1/09.4/09.5等を選択）
- decisions/10_grade_decision.md（L11/L12のみ）
- decisions/11_reporting_standard.md（L12のみ）
メインエージェントはL11ライティング前に二次検証を実施：現在のL11サブエージェントが計画する報告基準が、decisions/01_type_decision.md（心理学判定を含む）+ decisions/11_reporting_standard.mdと一致していることを確認する。心理学シナリオでは、PRISMA 2020にJARS-Quant Table 9を重ねる必要がある。一致しない場合はブロック。詳細は references/decision-provenance.md を参照。
3.4 自分で実行するタスク vs 外部委託するタスク
| 自分で実行するタスク | サブエージェントに外部委託するタスク |
|---|---|
| ユーザー要件 + 重要なファイルを読む | 任意のRコード生成（§5 Rパッケージパス選択 + テンプレートに従う） |
| 「SR L1-L8 + MA L9-L12」統合ワークフローを実行するかどうかを決定 | 任意の効果量抽出/変換の具体的な実行 |
| 計画ドキュメントの作成（L9サブ順序、Rパッケージ、モデル選択の理由） | 任意のモデル適合出力の解釈 |
| 各ラウンドのサブエージェント出力の評価（計算の正確性 / モデルの妥当性 / PBの頑健性） | 任意の出版バイアステストの具体的な実行と解釈 |
| ユーザーとの重要なコミュニケーション（データ形式の確認、モデル調停、最終納品） | 任意のAPA MARS報告セクションの作成 |
| 決定アーカイブの書き込みと保守 | — |
3.5 許容されない妥協
- メインエージェントが直接Rコードを書いたり、直接MCPを呼び出したりすることは許可されない（PRES-003）
- サブエージェントがメインエージェントに代わって「統合効果量を信頼するかどうか」の最終判断を下すことは許可されない
- 出版バイアステストまたは異質性開示フェーズをスキップすることは許可されない
- I² > 75%の場合に統合効果量のみを主たる結論として提示することは許可されない（SSOT-AI-FAILURE-DEFENSES §3違反）
- k < 5の場合に強制的にRVE/三層を使用することは許可されない（詳細は§4.2 L9.3）
- k < 10の場合に強制的に出版バイアステストを実行することは許可されない（詳細は§11.5）
4. 完全なワークフロー（12フェーズ対応）
12フェーズに対応（SSOT-LIFECYCLE-12-PHASES.md参照）。MAはSRに基づき、L9を10のサブフェーズに大幅拡張する。
4.1 12フェーズ概要（L1-L8はデフォルトでSRが完了）
| フェーズ | 主要成果物 | 決定アーカイブ | SSOT |
|---|---|---|---|
| L1 | タイプ識別（心理学判定を含む） | 01_type_decision.md | SSOT-REVIEW-TYPES |
| L2 | PICO + 効果量プリセット | 02_research_question.md | SSOT-PICO-FRAMEWORKS |
| L3 | 厳格 vs 学習モード | 03_mode_decision.md | SSOT-MODE-PROFILES |
| L4 | 検索（PsycINFO + ClinicalTrials.gov + 灰色文献） | — | SSOT-SEARCH-STRATEGY |
| L5-L6 | PRISMAフロー + 二重盲検スクリーニング | — | SSOT-PRISMA-FLOW-DIAGRAM |
| L7 | 二重抽出（ES + SE + 信頼性 + nを含む） | 07_data_types.md | SSOT-EXTRACTION-FIELDS |
| L8 | RoB（Metapsy心理療法拡張を含む） | 08_rob_tool_decision.md | SSOT-ROB-TOOL-MAPPING |
| L9 | 定量統合（10サブフェーズ、本スキルの中核） | 09*.md | SSOT-SYNTHESIS-METHODS + SSOT-EFFECT-SIZE-DECISION |
| L10 | GRADE | 10_grade_decision.md | SSOT-GRADE-FRAMEWORK |
| L11 | APA MARS + PRISMA 2020 + ssci-plots連携 | 11_reporting_standard.md | SSOT-REPORTING-STANDARDS |
| L12 | AMSTAR 2自己評価 | — | SSOT-AMSTAR-2-CHECKLIST |
ユーザーがL1-L8を完了していない場合、メインエージェントは最初にsystematic-reviewへの切り替えを提案する。
4.2 L9：定量統合（10サブフェーズ、最初の実行可能ステップ）
L9.1 効果量抽出（最初の実行可能ステップ）：ディスパッチ前preflight（BK-1/BK-7を閉じる）——① decisions/01/02/07/08が準備できていることを確認（独立エントリは§3.3のスキャフォールディングに従い最初に作成、統合エントリはSRが生成。不足の場合はブロック）。② 統合パスでは、decisions/09_synthesis_decision.mdの切り替え結論を必読（≠「MAへの切り替えを推奨」の場合はブロック、§13.1 N-4参照）。preflight通過後、Effect-Size-Extractorをディスパッチ → 5つの決定木（D1 二値 / D2 連続 / D3 順序 / D4 カウント / D5 生存）+ 7つのSE逆算公式 + 8つのunit-of-analysis + ゼロイベント処理。詳細は references/L9.1-effect-size-extraction.md。SSOT：SSOT-EFFECT-SIZE-DECISION §1-§5。
L9.2 効果量補正：Correction-Agentをディスパッチ → Hedges' g補正（デフォルトN < 60が重要、補正失敗時のフォールバックは§11.6参照）+ Hunter-Schmidt artifact補正（心理学尺度のみ）。Bare-bones vs Psychometricモード選択。詳細は references/L9.1-effect-size-extraction.md §3 + references/L9-psychology-special.md。
L9.3 依存性処理（k閾値決定）：依存性を判断 → 方法を選択。
| シナリオ | 推奨方法 | k閾値 | Rパッケージ |
|---|---|---|---|
| 複数のアウトカム/複数の時点/複数の対照、依存構造が不明 | RVE | k ≥ 5（< 5は許可されない） | robumeta + clubSandwich |
| 階層が明確 + k ≥ 20 | 三層 | k ≥ 20（< 20の場合はCR2補正。 < 5は許可されない） | metafor rma.mv() |
| 多変量関係モデリング（媒介/調整） | MASEM | k ≥ 10 | metaSEM |
| k < 5 | RVE / 三層は許可されない | — | 単一研究の記述 + sensitivityを個別報告（A級代替パス） |
Dependency-Agentをディスパッチ。詳細は references/L9-psychology-special.md。
L9.4 変量効果/固定効果モデル選択：Model-Selection-Agentをディスパッチ → 決定木 + デフォルトRE（FEは介入が真に無効という仮定下のみ）+ τ²推定器（REMLデフォルト）+ HKSJ CI（k > 2 + τ² > 0の場合、Waldより優れる）+ k=2-4の決定表（詳細は§11.4）。詳細は references/L9.4-fixed-random-models.md。
デフォルトREモデルの誠実な開示（L9.4末尾に必ず埋め込む — C4三段方式）： 段落1（教科書的なデフォルト仮定）：FE vs REの選択は、研究者の異質性に対する判断に依存する（Borenstein 2009; Cochrane §10）。 段落2（LLM実装の差異）：本メタ分析はデフォルトでREを採用し、FEは介入が真に無効という仮定下でのみ使用する。差異は3点：(1) ユーザーからの明示的な異質性仮定なし。(2) k < 10の場合はHKSJを使用。(3) k = 2-4の場合はFE+REの二重感度分析を実行（Cochrane v6.5 §10.10.4）。 段落3（緩和策 + 限界）：FE+REの二重結果を報告。k ≥ 5の場合はPIを報告。心理学シナリオ + k < 5の場合はPIを報告するが、「normal仮定は頑健ではない」と明示的に注記。DiscussionでデフォルトREという方法論的選択を開示する。
L9.5 異質性検定：Heterogeneity-Agentをディスパッチ → Q + I² + τ² + 95% PI（k ≥ 5で必ず報告、心理学では必ず報告）。I² > 75%の場合は統合効果量のみの提示を禁止。I² > 90%の場合は完全に統合を禁止 + 強制的にサブグループ/メタ回帰（詳細は§11.5）。詳細は references/L9.5-heterogeneity.md。
L9.6 サブグループ分析（k ≥ 10）：Subgroup-Agentをディスパッチ → 事前設定 vs 事後分析を明確に区別（JARS Table 9 §METHOD §6）+ サブグループ間の正式な統計検定（サブグループ内のP値の比較のみは許可されない）+ ICEMAN 6次元。詳細は references/L9.6-subgroup-metaregression.md。
L9.7 メタ回帰（k ≥ 10）：Metaregression-Agentをディスパッチ（L9.6と並列可能）→ カテゴリカル特徴ごとに ≥ 10件の観測値 + 比率データはlog-transformedを使用。詳細は references/L9.6-subgroup-metaregression.md。
L9.8 感度分析：Sensitivity-Agentをディスパッチ（L9.5の後に直列で実行——leave-one-out / FE vs RE vs HKSJ / 異なるτ²推定器 / 異なるeffect measure / 高RoBの除外再計算はすべてL9.5で決定されたモデルベースラインに依存するため、L9.5と並列不可。L9.9とは並列可能）→ Leave-one-out + FE vs RE vs HKSJ + 異なるτ²推定器 + 異なるeffect measure + 高RoBの除外再計算。
L9.9 出版バイアス：PublicationBias-Agentをディスパッチ → コア必須（funnel + Egger/Harbord/Peters。k ≥ 10でのみ有効、詳細は§11.5）。心理学補足 ≥ 1（p-curve / PET-PEESE / RoBMA / Selection models）。依存効果量（L9.3で三層/RVEと判定）の場合 → 出版バイアスにはEgger-MLMA（scripts/egger_mlma.R）を使用し、単一レベルのEggerは使用しない。RoBMAはJAGSが必要なためデフォルトでは選択しない（JAGSがない場合はpuni_star+PET-PEESEにダウングレード）。Trim-and-fillはCochrane v6.5で格下げ（感度分析としてのみ使用）。詳細は references/L9.9-publication-bias.md。
L9.10 MASEM（オンデマンド）：媒介/調整SEM統合のみ有効化。TSSEM / One-Stage MASEM。詳細は references/L9-psychology-special.md §3。
4.3 L10：GRADEエビデンスレベル
GRADE-Agentをディスパッチ → メタ分析固有の考慮事項：不正確さ（CIが決定閾値を跨ぐ場合）、不整合（I² > 50%で通常格下げ）、出版バイアス（funnelの非対称性 + Egger p < 0.10で格下げ）+ RoB 2 / ROBINS-Iと組み合わせ。SSOT：SSOT-GRADE-FRAMEWORK。
4.4 L11：報告（APA MARS Table 9 + PRISMA 2020 + 連携プロット生成）
Write-Agent（2-2-1バックアップ方式）+ 報告基準チェックSubAgentをディスパッチ。
- APA MARS Table 9：13章完全対応
- PRISMA 2020：27項目のチェックリスト
- JARS-Quant 12箇所の差異（心理学シナリオ — 決定アーカイブ01_type_decision.mdの心理学判定によりトリガー）：事前/事後仮説のグループ化、心理測定学的特性、構成概念妥当性、測定誤差アーティファクト、moderator vs subgroup、効果量+CIの強制、Hedges補正、Bayesian事前分布、統計コードの場所、有害事象セクション
- ssci-plotsとの連携：フォレストプロット、ファンネルプロット（contour-enhanced）、SoF表
詳細は references/L11-mars-reporting.md。SSOT：SSOT-REPORTING-STANDARDS §1.3.1 + §3。
4.5 L12：自己評価（AMSTAR 2メタ分析次元）
Self-Assessment Agentをディスパッチ → AMSTAR 2 16項目 + 7つの重要ドメイン。SSOT：SSOT-AMSTAR-2-CHECKLIST。
5. Rパッケージパス（トピック別マッピング）
| トピック | メインRパッケージ | コードテンプレート |
|---|---|---|
| 標準メタ分析（FE/RE） | metafor | scripts/metafor_basic.R |
| 依存効果量（RVE） | robumeta + clubSandwich + wildmeta | scripts/rve_clubSandwich.R |
| 依存効果量の出版バイアス（Egger-MLMA） | metafor rma.mv / robumeta+clubSandwich | scripts/egger_mlma.R |
| 三層メタ分析 | metafor rma.mv() | scripts/metafor_basic.R（rma.mvブロックを含む） |
| 心理測定（Hunter-Schmidt） | psychmeta | scripts/psychmeta_hunter_schmidt.R |
| MASEM | metaSEM（+ OpenMx / lavaan） | scripts/metaSEM_masem.R |
| p-curve / p-uniform | puniform · dmetar::pcurve | scripts/puniform_pcurve.R |
| PET-PEESE | stats::lm（WLSオリジナル実装。metafor modsは弁護可能な変種だが開示が必要） | scripts/metafor_basic.R §11 + references/L9-r-code-templates.md §8 |
| Selection models | weightr | （サンプルコード） |
| RoBMA | RoBMA | JAGSシステムライブラリが必要（ローカルにない場合）→ デフォルトでは選択せず、puni_star + PET-PEESEに格下げ（§11.2 / L9.9 §4.3参照） |
| ベイズメタ分析 | brms · rstanarm · bayesmeta | （高度、オンデマンド） |
ブリッジング哲学：本スキルはClaude CodeがローカルR環境で直接Rscriptを実行（metafor等）して統計結果を算出します。コードを生成してユーザーが外部環境で実行し、結果を埋め戻す必要はありません。print(summary()) + warnings() + sessionInfo()の生の出力はそのまま監査パッケージに格納され（サイドカーファイル + レビューカード⑤セグメントドリルダウン）、再現可能。ブロッキング/開示用のレッドライトはscripts/audit_parse.Rがrmaオブジェクトのフィールドから直接flag JSONを算出し、LLMはsummaryテキストを読み取りません。保持される原則：統計結果を作り上げない、人間が署名ポイントで責任を負う、再現可能。詳細は references/L9-r-code-templates.md。
LLM仲介ローカル実行ワークフローの誠実な開示（
references/L9-r-code-templates.mdの先頭に埋め込む — C4三段方式）： 段落1（教科書的なデフォルト仮定）：標準的なメタ分析は、アナリストが直接Rコードを作成・実行（またはJASP / RevMan GUIを使用）し、データ入力、モデル設定、出力検証を完全に制御することを前提とする。 段落2（LLM実装の差異）：本レビューでは、Claude CodeがローカルR環境でLLMが生成したRscriptを直接実行し、生の出力（summary / warnings / sessionInfo）を監査パッケージに痕跡として残す。ブロッキング/開示の判定は固定のaudit_parse.Rがrmaオブジェクトのフィールドから算出し、LLMは出力テキストを解釈しない。これにより「コピペして埋め戻す / 期待と実際のデータ形式の不一致」といった旧来のリスクは排除される。依然として存在する真の限界：Rコードは依然としてLLMによって生成されるため、コンパイルは通るが結果が誤っている微妙なバグ（変数名の誤り / 関数呼び出しの誤り）が存在する可能性がある。ローカル実行は結果の正しさを自動的に証明するものではない。 段落3（緩和策 + 限界）：(1) スクリプトは回帰テストスイート（tests/）で検証され、生の出力は人間が再確認可能。レッドライトはRが計算するため、LLMが数字を読み違えるリスクが低減される。(2) 少なくとも1つの感度分析（leave-one-out / 代替τ²推定器）を含めて異常を検出する。(3) 人間が署名ポイントで統計的判断を決定し責任を負う。再現性はsessionInfo + 固定スクリプトによって確保される。Discussion/Limitationsでは「統計はLLMが仲介するローカル自動化ワークフローによって実行された」という方法論的特徴を開示する必要がある。
詳細は references/L9-r-code-templates.md。
6. 各referencesファイルの読み込みタイミング
| 読み込みタイミング（具体的な決定アクショングラニュラリティ） | referencesファイル |
|---|---|
| メインエージェントがL9.1フェーズで効果量タイプ / SE逆算 / unit-of-analysisを決定する必要がある場合 | references/L9.1-effect-size-extraction.md |
| メインエージェントがL9.4フェーズでFE/RE/HKSJを決定する必要がある場合 | references/L9.4-fixed-random-models.md |
| メインエージェントがL9.5フェーズで異質性指標（I² > 75%のブロッキング決定を含む）を開示する必要がある場合 | references/L9.5-heterogeneity.md |
| メインエージェントがL9.6 / L9.7フェーズ（k ≥ 10）でサブグループ/メタ回帰SubAgentをディスパッチする前 | references/L9.6-subgroup-metaregression.md |
| メインエージェントがL9.9フェーズ（k ≥ 10）で出版バイアスSubAgentをディスパッチする前 | references/L9.9-publication-bias.md |
| メインエージェントが任意のRコード生成SubAgentをディスパッチする前 | references/L9-r-code-templates.md |
| 心理学シナリオがトリガーされ、メインエージェントがL9.2-L9.10で8つのトピック（RVE/三層/MASEM/H-S/RG）を決定する必要がある場合 | references/L9-psychology-special.md |
| メインエージェントがL11ライティング前にAPA MARS Table 9とPRISMA 2020の報告基準を決定する必要がある場合 | references/L11-mars-reporting.md |
| メインエージェントが心理学シナリオ + k < 5で95% PIを報告する際の解釈警告を決定する必要がある場合 | references/L9-psychology-special.md §5 |
| メインエージェントがAMSTAR 2自己評価を実行する前（L12） | references/SSOT-AMSTAR-2-CHECKLIST.md |