메타 분석 (Meta-Analysis)
정량적 메타 분석 전용 스킬입니다. systematic-review가 L1-L8을 완료한 후, L9부터 대폭 확장되어 완전한 정량적 통합 워크플로우를 제공합니다. R 통계는 Claude Code가 로컬 R 환경에서 직접 Rscript를 실행하여 수행하며(metafor 등), 원시 출력(summary / warnings / sessionInfo)은 감사 패키지에 포함되고, 적색 신호는 R이 계산합니다(LLM이 숫자를 읽지 않음). ssci-plots와 연동하여 forest / funnel plot을 생성합니다.
빠른 시작: 첫 번째 실행 가능 단계는 §3 주 에이전트 시작 프로세스 + §4.2 L9.1 효과 크기 추출을 참조하세요. 자세한 방법은 references/ + scripts/ + 기본 SSOT를 참조하십시오.
1. 트리거 및 적용 시나리오
1.1 트리거 구문
영어: 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.
한국어: 메타 분석, 효과 크기 통합, 변량 효과 모형, forest plot, funnel plot, 이질성 I-squared, 메타 회귀, 하위 그룹 분석, 심리학 메타 분석, 척도 메타 분석, 신뢰도 일반화, 심리 측정 메타 분석, 종속 효과 크기, RVE 메타 분석, 삼수준 메타 분석, 출판 편향, p-curve.
1.2 역방향 트리거 (적용 불가 / 다른 스킬로 전환)
| 사용자 시나리오 | 전환 대상 |
|---|---|
| 검색/선별/RoB(L1-L8)만 수행하고 통합은 하지 않음 | systematic-review |
| 효과 크기 없는 정성적 증거 종합만 수행 | systematic-review(질적 경로) 또는 literature-set-review |
| 이미 수집된 문헌 세트로 리뷰를 작성하지만 통합은 하지 않음 | literature-set-review |
| 서술적 리뷰 / 범위 리뷰 / 통합 리뷰 | field-overview-review |
| 50년/30년 분야 발전사 리뷰 | field-evolution-review |
| 이론 구축 / 구성개념 분석 / 상반 이론 비교 | theoretical-review |
| forest/funnel plot 렌더링 | ssci-plots (연동) |
1.3 활성화 조건 힌트
- 심리학 시나리오(기본 필독): 트리거 키워드에 심리학적 구성개념, 척도(BDI, SCL-90, Big Five 등), APA 저널, JARS, 재현 위기가 포함된 경우.
SSOT-PSYCHOLOGY-SUPPLEMENTS.md(8개 주제 포함)를 함께 로드합니다. - 한국어 시나리오: 사용자가 한국어로 소통하거나, 한국 심리학회지, KCI, 참고문헌 형식 등을 언급하는 경우.
SSOT-CHINESE-CONTEXT.md를 함께 로드합니다. - 네트워크 메타 분석: 사용자가 3가지 이상의 치료법을 비교하거나 NMA / network meta-analysis를 언급하는 경우.
SSOT-SYNTHESIS-METHODS.md§4를 함께 로드합니다.
2. 가정 (L1-L8 완료 가정)
본 스킬은 L1-L8이 완료되었음을 가정합니다: 사용자가 systematic-review를 통해 또는 직접 연구 질문 구성, 검색, 선별, 추출, RoB를 완료했습니다(자세한 내용은 §13 및 systematic-review 연동 참조). L1-L8이 완료되지 않은 경우, 주 에이전트는 먼저 systematic-review로 전환할 것을 권장해야 합니다.
3. 주 에이전트 역할 및 책임
당신은 조정자, 판단자, 계획자이지, 실행자가 아닙니다. 각 SubAgent는 현재 사용 가능한 최상위 모델을 사용해야 합니다(주 에이전트와 동등한 수준, 비용 절감을 위해 등급 낮추지 않음). 기본적으로 차단하며, 동일 메시지 내 다중 에이전트 호출은 병렬로 처리합니다.
3.1 주 에이전트 필독 (시작 후 즉시 로드, "언제 로드할지" 결정표 대기하지 않음)
주 에이전트는 스킬 트리거 후 즉시 다음 SSOT를 로드해야 하며, 워크플로우 중후반에 "필요에 따라 로드"하는 것을 허용하지 않습니다:
전체 6개 스킬 공유 필독 (강제):
review-methodology-foundations/references/SSOT-AI-FAILURE-DEFENSES.md(4가지 LLM 실패 모드 및 방어 — MA 4가지 모두 CORE, §2 §3 강화)review-methodology-foundations/references/SSOT-LIFECYCLE-12-PHASES.md(모든 위치에서 현재 단계 확인)review-methodology-foundations/references/SSOT-METHODOLOGY-TERMINOLOGY.md(단계 간 용어 통일)
MA 특정 필독:
SSOT-EFFECT-SIZE-DECISION.md(L9.1 필독)SSOT-SYNTHESIS-METHODS.md(L9.4 모델 선택 / L9.5 이질성 / L9.9 출판 편향)SSOT-PSYCHOLOGY-SUPPLEMENTS.md(심리학 시나리오 기본 필독, 8개 주제 포함)
MA의 SSOT-AI-FAILURE-DEFENSES 강력 방어 항목 (4가지 모두 CORE, §2 §3 강화):
- §2 효과 과장 강화: Cohen 표 외에 Funder & Ozer 2019 엄격 기준 추가; CI를 모든 subgroup / meta-regression 결과로 강제 확장
- §3 신뢰 환각 강화: 이질성 I² > 75%인 경우 통합 효과 제시 강제 금지; 출판 편향 필수 목록 = funnel(contour-enhanced) + 회귀 검정(Egger / Peters / Harbord, 효과 크기 유형별 라우팅) + 심리학 보충 ≥ 1(p-curve / p-uniform* / PET-PEESE / selection models / RoBMA); trim-and-fill은 민감도 분석으로만 사용(§4.2 L9.9와 일치)
3.2 시작 프로세스 (첫 번째 실행 가능 단계 지침)
할당 순서는 §4 워크플로우를 따릅니다:
0. MA 진입 preflight (BK-1 차단): L9.1 할당 전에 decisions/01/02/07/08이 준비되었는지 확인합니다. 결합 경로는 SR L1-L8이 생성합니다. 독립 MA 진입(사용자가 L1-L8을 직접 완료하고 MA에 직접 진입)의 경우 §3.3 "독립 MA 진입 스캐폴딩"에 따라 decisions_templates/에서 템플릿을 복사하여 이 4개 항목을 채워야 합니다. 하나라도 누락되면 L9.1 차단(결정 파일을 읽지 않고 직접 실행하는 것은 §3.3 강제 필독 위반).
- L9.1 Effect-Size-Extractor 할당(첫 번째 실행 가능 단계, §4.2 참조) → 각 연구의 효과 크기 + SE
- L9.2-L9.4 직렬(보정 → 종속성 → 모델 선택)
- L9.5 이질성 우선(차단 신호가 L9.6/L9.7 강제 여부 결정) → L9.6/L9.7 병렬 가능; L9.8 민감도는 L9.5 이후에 직렬(leave-one-out / FE vs RE / τ² 추정량 비교는 모두 L9.5에서 결정된 모델 기준선에 의존하므로 L9.5와 병렬 불가)
- L9.9 단독 실행(이전 결과에 의존); L9.10 필요 시
- L10 GRADE → L11 작성(Chart-Bridge ssci-plots 연동 포함) → L12 자체 평가
3.3 단계 간 결정 파일 규칙 (강제)
주 에이전트는 각 단계가 끝날 때 결정 결론을 decisions/ 하위 디렉토리에 기록합니다(작업 디렉토리와 동일한 수준). 각 결정 파일은 독립적인 md 파일입니다(YAML frontmatter + 본문, 파일당 ≤ 100줄). SSOT 내용을 복사하지 않습니다.
MA 결정 파일 디렉토리 구조(SR과 결합 시 SR의 01-08 재사용):
decisions/
01_type_decision.md # L1: 심리학 시나리오 판단 포함 (중요 — L11에서 JARS-Quant 로드 결정)
02_research_question.md # L2: PICO + 효과 크기 사전 설정
03_mode_decision.md # L3: 엄격 vs 학습
07_data_types.md # L7: 이중 추출 필드
08_rob_tool_decision.md # L8: RoB 도구
09_synthesis_decision.md # L9: FE/RE/RVE/삼수준/MASEM 선택 + k 임계값
09.1_effect_size.md # L9.1: 효과 크기 유형 + SE 역산
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 활성화
09.9_publication_bias.md # L9.9: 4+ 도구
10_grade_decision.md # L10
11_reporting_standard.md # L11: APA MARS Table 9 + PRISMA 2020 + 12가지 차이점
독립 MA 진입 결정 파일 스캐폴딩 (BK-1 차단, 필독): MA의 첫 번째 실행 가능 단계 L9.1은 필수로 decisions/01/02/07/08을 읽어야 합니다(§3.3 단계 간 강제 필독 + decision-provenance §3). 그러나 이 4개 파일의 생산자는 SR L1-L8입니다. 두 진입 경로는 다음과 같이 처리되어 독립 진입에서 "필독이지만 생성자가 없어" 막히는 상황을 방지합니다:
- 결합 경로(
path: combined_with_sr): SR L1-L8이 이미01/02/03/07/08을 생성했습니다(동일한decisions/디렉토리 사용) → MA가 직접 읽고 덮어쓰지 않음(연결 게이트는 §13.1 N-4 참조). - 독립 MA 진입(
path: standalone, 사용자가 L1-L8을 직접 완료하고 MA에 직접 진입): 주 에이전트는 L9.1을 할당하기 전에, 사용자가 완료한 L1-L8 결론을01_type_decision.md(심리학 판단 포함) /02_research_question.md(PICO + 효과 크기 사전 설정) /07_data_types.md(데이터 유형 + 신뢰도 + n) /08_rob_tool_decision.md에 기록합니다.review-methodology-foundations/decisions_templates/에서 해당 빈 템플릿 골격을 직접 복사하여 작성합니다(템플릿에는 frontmatter + 결정 결론/근거/상하위/검증 구조가 포함됨). - 구조적 차단 게이트("prompt 알림" 아님):
01/02/07/08중 하나라도 누락되면 → preflight가 L9.1을 차단("결정 파일을 읽지 않고 직접 실행"으로 간주). 주 에이전트가 템플릿 없이 즉흥적으로 결정 파일을 작성하거나 이 4개 파일을 건너뛰고 Extractor를 직접 할당하는 것을 허용하지 않습니다.
decisions_templates/는 빈 템플릿 골격입니다(S4 구축, 경로review-methodology-foundations/decisions_templates/). SR 11개 유형 + MA 5개 09.x 하위 단계 + 감독 산출물04a/07a/09.x_audit을 포함합니다. 이는 "01/02/07/08에 복사 가능한 시작점"을 제공하며, 결정 인스턴스 자체는 아닙니다.
단계 간 강제 필독: L9/L10/L11/L12 단계의 모든 SubAgent 프롬프트는 다음을 포함해야 합니다:
**필독 (결정 파일)**:
- decisions/01_type_decision.md (심리학 판단 포함 → L11에서 JARS-Quant 로드 근거)
- decisions/02_research_question.md
- decisions/03_mode_decision.md
- decisions/07_data_types.md
- decisions/08_rob_tool_decision.md
- decisions/09*.md (해당 단계 필요에 따라 09.1/09.4/09.5 등 선택)
- decisions/10_grade_decision.md (L11/L12만 해당)
- decisions/11_reporting_standard.md (L12만 해당)
주 에이전트는 L11 작성 전에 이차 검증을 수행해야 합니다: 현재 L11 SubAgent가 계획한 보고 표준이 decisions/01_type_decision.md(심리학 판단 포함) + decisions/11_reporting_standard.md와 일치하는지 확인합니다. 심리학 시나리오의 경우 PRISMA 2020 위에 JARS-Quant Table 9를 추가해야 합니다. 불일치 시 차단합니다. 자세한 내용은 references/decision-provenance.md를 참조하십시오.
3.4 직접 수행해야 하는 작업 vs 외부 위임해야 하는 작업
| 직접 수행해야 하는 작업 | SubAgent에 위임해야 하는 작업 |
|---|---|
| 사용자 요구 사항 + 핵심 파일 읽기 | 모든 R 코드 생성(§5 R 패키지 경로 선택 + 템플릿에 따름) |
| "SR L1-L8 + MA L9-L12" 결합 워크플로우 여부 결정 | 모든 효과 크기 추출/변환의 실제 실행 |
| 계획 문서 작성(L9 하위 순서, R 패키지, 모델 선택 이유) | 모든 모델 피팅 출력 해석 |
| 각 SubAgent 산출물 평가(계산 정확성 / 모델 합리성 / PB 견고성) | 모든 출판 편향 검정의 실제 실행 및 해석 |
| 사용자와의 주요 커뮤니케이션(데이터 형식 확인, 모델 중재, 최종 전달) | 모든 APA MARS 보고서 섹션 작성 |
| 결정 파일 기록 및 유지 관리 | — |
3.5 허용되지 않는 타협
- 주 에이전트가 직접 R 코드를 작성하거나 MCP를 직접 호출하는 것은 허용되지 않습니다(PRES-003)
- SubAgent가 주 에이전트를 대신하여 "통합 효과를 신뢰할지 여부"에 대한 최종 판단을 내리는 것은 허용되지 않습니다
- 출판 편향 검정 또는 이질성 공개 단계를 건너뛰는 것은 허용되지 않습니다
- I² > 75%인 경우 통합 효과만 주요 결론으로 제시하는 것은 허용되지 않습니다(SSOT-AI-FAILURE-DEFENSES §3 위반)
- k < 5인 경우 RVE / 삼수준을 강제하는 것은 허용되지 않습니다(자세한 내용은 §4.2 L9.3 참조)
- k < 10인 경우 출판 편향 검정을 강제하는 것은 허용되지 않습니다(자세한 내용은 §11.5 참조)
4. 전체 워크플로우 (12단계 정렬)
12단계 정렬을 따릅니다(SSOT-LIFECYCLE-12-PHASES.md 참조). MA는 SR을 기반으로 L9를 10개의 하위 단계로 대폭 확장합니다.
4.1 12단계 개요 (L1-L8은 기본적으로 SR이 완료)
| 단계 | 주요 산출물 | 결정 파일 | SSOT |
|---|---|---|---|
| L1 | 유형 식별(심리학 판단 포함) | 01_type_decision.md | SSOT-REVIEW-TYPES |
| L2 | PICO + 효과 크기 사전 설정 | 02_research_question.md | SSOT-PICO-FRAMEWORKS |
| L3 | 엄격 vs 학습 모드 | 03_mode_decision.md | SSOT-MODE-PROFILES |
| L4 | 검색(PsycINFO + ClinicalTrials.gov + 회색 문헌) | — | SSOT-SEARCH-STRATEGY |
| L5-L6 | PRISMA 흐름 + 이중 맹검 선별 | — | SSOT-PRISMA-FLOW-DIAGRAM |
| L7 | 이중 추출(ES + SE + 신뢰도 + n 포함) | 07_data_types.md | SSOT-EXTRACTION-FIELDS |
| L8 | RoB(Metapsy 심리 치료 확장 포함) | 08_rob_tool_decision.md | SSOT-ROB-TOOL-MAPPING |
| L9 | 정량적 통합(10개 하위 단계, 본 스킬의 핵심) | 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 연동 | 11_reporting_standard.md | SSOT-REPORTING-STANDARDS |
| L12 | AMSTAR 2 자체 평가 | — | SSOT-AMSTAR-2-CHECKLIST |
사용자가 L1-L8을 완료하지 않은 경우, 주 에이전트는 먼저 systematic-review로 전환할 것을 권장합니다.
4.2 L9: 정량적 통합 (10개 하위 단계, 첫 번째 실행 가능 단계)
L9.1 효과 크기 추출 (첫 번째 실행 가능 단계): 할당 전 preflight (BK-1/BK-7 차단) — ① decisions/01/02/07/08이 준비되었는지 확인(독립 진입의 경우 §3.3 스캐폴딩에 따라 먼저 구축, 결합 경로의 경우 SR이 생성; 누락 시 차단); ② 결합 경로는 decisions/09_synthesis_decision.md의 전환 결론을 필수로 읽음(≠ "MA로 전환 권장"이면 차단, §13.1 N-4 참조). preflight 통과 후 Effect-Size-Extractor 할당 → 5개 의사 결정 트리(D1 이분형 / D2 연속형 / D3 순서형 / D4 계수형 / D5 생존형) + 7개 SE 역산 공식 + 8개 unit-of-analysis + 영 사건 처리. 자세한 내용은 references/L9.1-effect-size-extraction.md 참조. SSOT: SSOT-EFFECT-SIZE-DECISION §1-§5.
L9.2 효과 크기 보정: Correction-Agent 할당 → Hedges' g 보정(기본 N < 60 중요, 보정 실패 시 대체 경로는 §11.6 참조) + Hunter-Schmidt 인공물 보정(심리학 척도만 해당). Bare-bones vs Psychometric 모드 선택. 자세한 내용은 references/L9.1-effect-size-extraction.md §3 + references/L9-psychology-special.md 참조.
L9.3 종속성 처리 (k 임계값 결정): 종속성 판단 → 방법 선택.
| 시나리오 | 권장 방법 | k 임계값 | R 패키지 |
|---|---|---|---|
| 다중 outcome / 다중 시점 / 다중 대조군, 종속 구조 알 수 없음 | RVE | k ≥ 5(< 5는 허용 안 됨) | robumeta + clubSandwich |
| 계층 명확 + k ≥ 20 | 삼수준 | k ≥ 20(< 20이면 CR2 보정; < 5는 허용 안 됨) | metafor rma.mv() |
| 다변량 관계 모델링(매개/조절) | MASEM | k ≥ 10 | metaSEM |
| k < 5 | RVE / 삼수준 허용 안 됨 | — | 단일 연구 서술 + sensitivity 개별 보고(A급 대체 경로) |
Dependency-Agent 할당. 자세한 내용은 references/L9-psychology-special.md 참조.
L9.4 고정/변량 효과 모델 선택: Model-Selection-Agent 할당 → 의사 결정 트리 + 기본 RE(FE는 중재가 진정으로 효과가 없다는 가정 하에서만) + τ² 추정량(REML 기본) + HKSJ CI(k > 2 + τ² > 0일 때 Wald보다 우수) + k=2-4 결정표(자세한 내용은 §11.4 참조). 자세한 내용은 references/L9.4-fixed-random-models.md 참조.
기본 RE 모델의 정직한 공개(L9.4 끝에 필수 삽입 — C4 삼단 형식): 단락 1(교과서 귀무 가설): FE vs RE 선택은 연구자의 이질성 판단에 의존합니다(Borenstein 2009; Cochrane §10). 단락 2(LLM 구현 차이): 본 메타 분석은 기본적으로 RE를 사용하며, FE는 중재가 진정으로 효과가 없다는 가정 하에서만 사용됩니다. 차이점 3가지: (1) 사용자가 명시적으로 이질성 가설을 제공하지 않음; (2) k < 10일 때 HKSJ 사용; (3) k = 2-4일 때 FE+RE 이중 sensitivity 실행(Cochrane v6.5 §10.10.4). 단락 3(완화 + 한계): FE+RE 이중 결과 보고; k ≥ 5일 때 PI 보고; 심리학 시나리오 + k < 5일 때 PI를 보고하지만 "정규 가정이 견고하지 않음"을 명시적으로 표시. Discussion에서 기본 RE 사용이라는 방법론적 선택을 공개.
L9.5 이질성 검정: Heterogeneity-Agent 할당 → Q + I² + τ² + 95% PI(k ≥ 5 필수 보고; 심리학 필수 보고). I² > 75%인 경우 통합 효과만 제시하는 것은 허용되지 않음; I² > 90%인 경우 통합 완전히 금지 + 강제 subgroup / meta-regression(자세한 내용은 §11.5 참조). 자세한 내용은 references/L9.5-heterogeneity.md 참조.
L9.6 하위 그룹 분석(k ≥ 10): Subgroup-Agent 할당 → 사전 설정 vs 사후 설정을 반드시 구분(JARS Table 9 §METHOD §6) + 하위 그룹 간 공식 통계 검정(하위 그룹 내 P 값만 비교하는 것은 허용되지 않음) + ICEMAN 6차원. 자세한 내용은 references/L9.6-subgroup-metaregression.md 참조.
L9.7 메타 회귀(k ≥ 10): Metaregression-Agent 할당(L9.6과 병렬 가능) → 각 범주형 특성 당 ≥ 10개 관측치 + 비율 유형의 경우 log-transformed 사용. 자세한 내용은 references/L9.6-subgroup-metaregression.md 참조.
L9.8 민감도 분석: Sensitivity-Agent 할당(L9.5 이후 직렬 — leave-one-out / FE vs RE / τ² 추정량 비교 / 높은 RoB 제외 재계산 모두 L9.5에서 결정된 모델 기준선 필요, L9.5와 병렬 불가; L9.9와는 병렬 가능) → Leave-one-out + FE vs RE vs HKSJ + 다른 τ² 추정량 + 다른 effect measure + 높은 RoB 제외 재계산.
L9.9 출판 편향: PublicationBias-Agent 할당 → 핵심 필수(funnel + Egger/Harbord/Peters; k ≥ 10일 때만 유효, 자세한 내용은 §11.5 참조); 심리학 보충 ≥ 1(p-curve / PET-PEESE / RoBMA / Selection models). 종속 효과 크기(L9.3에서 삼수준/RVE로 판단된 경우) → 출판 편향 검정은 Egger-MLMA 사용(scripts/egger_mlma.R), 단일 수준 Egger 사용 안 함; RoBMA는 JAGS 필요하므로 기본 선택 안 함(없으면 puni_star+PET-PEESE로 대체). Trim-and-fill은 Cochrane v6.5에 의해 등급이 낮아짐(민감도 분석으로만 사용). 자세한 내용은 references/L9.9-publication-bias.md 참조.
L9.10 MASEM (필요 시): 매개/조절 SEM 통합에만 활성화. TSSEM / One-Stage MASEM. 자세한 내용은 references/L9-psychology-special.md §3 참조.
4.3 L10: GRADE 증거 수준
GRADE-Agent 할당 → 메타 분석 특화 고려 사항: 부정확성(CI가 결정 임계값을 넘는 경우), 불일치성(I² > 50%인 경우 일반적으로 등급 하향), 출판 편향(funnel 비대칭 + Egger p < 0.10인 경우 등급 하향) + RoB 2 / ROBINS-I 결합. SSOT: SSOT-GRADE-FRAMEWORK.
4.4 L11: 보고 (APA MARS Table 9 + PRISMA 2020 + 연동 차트 생성)
Write-Agent 할당(2-2-1 백업 방식) + 보고 표준 확인 SubAgent.
- APA MARS Table 9: 13개 섹션 완전 매핑
- PRISMA 2020: 27개 체크리스트
- JARS-Quant 12가지 차이점(심리학 시나리오 — 결정 파일 01_type_decision.md의 심리학 판단에 의해 트리거): 사전/사후 가설 그룹화, 심리측정학적 특성, 구성개념 타당도, 측정 오차 인공물, moderator vs subgroup, 효과 크기+CI 강제, Hedges 보정, Bayesian 사전, 통계 코드 위치, 유해 효과 섹션
- ssci-plots 연동: forest plot, funnel plot(contour-enhanced), SoF 표
자세한 내용은 references/L11-mars-reporting.md 참조. SSOT: SSOT-REPORTING-STANDARDS §1.3.1 + §3.
4.5 L12: 자체 평가 (AMSTAR 2 메타 분석 차원)
Self-Assessment Agent 할당 → AMSTAR 2 16개 항목 + 7개 핵심 영역. SSOT: SSOT-AMSTAR-2-CHECKLIST.
5. R 패키지 경로 (주제별 매핑)
| 주제 | 주요 R 패키지 | 코드 템플릿 |
|---|---|---|
| 표준 메타 분석(FE/RE) | metafor | scripts/metafor_basic.R |
| 종속 효과 크기(RVE) | robumeta + clubSandwich + wildmeta | scripts/rve_clubSandwich.R |
| 종속 효과 크기 출판 편향(Egger-MLMA) | metafor rma.mv / robumeta+clubSandwich | scripts/egger_mlma.R |
| 삼수준 메타 분석 | metafor rma.mv() | scripts/metafor_basic.R(rma.mv 블록 포함) |
| 심리 측정(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 원시 구현; metafor mods는 변호 가능한 변형이며 공개해야 함) | scripts/metafor_basic.R §11 + references/L9-r-code-templates.md §8 |
| Selection models | weightr | (예제 코드) |
| RoBMA | RoBMA | JAGS 시스템 라이브러리 필요(로컬에 없음) → 기본 선택 안 함, puni_star + PET-PEESE로 대체(§11.2 / L9.9 §4.3 참조) |
| 베이지안 메타 분석 | brms · rstanarm · bayesmeta | (고급, 필요 시) |
브리징 철학: 본 스킬은 Claude Code가 로컬 R 환경에서 직접 Rscript를 실행하여(metafor 등) 통계 결과를 생성합니다. 더 이상 코드를 생성하여 사용자가 외부 환경에 복사하여 실행하고 결과를 다시 채우도록 요구하지 않습니다. print(summary()) + warnings() + sessionInfo() 원시 출력이 그대로 감사 패키지에 포함되고(사이드카 파일 + 심사 카드 ⑤단계 드릴다운), 재현 가능합니다. 차단/공개 적색 신호는 scripts/audit_parse.R이 rma 객체 필드에서 직접 flag JSON을 계산하며, LLM이 summary 텍스트를 읽는 데 의존하지 않습니다. 보존된 원칙적 핵심: 통계 결과를 조작하지 않음, 사람이 서명 지점에서 책임을 짐, 재현 가능함. 자세한 내용은 references/L9-r-code-templates.md 참조.
LLM 매개 로컬 실행 워크플로우의 정직한 공개(
references/L9-r-code-templates.md상단에 삽입 — C4 삼단 형식): 단락 1(교과서 귀무 가설): 표준 메타 분석은 분석가가 R 코드를 직접 작성하고 실행하며(JASP / RevMan GUI 사용), 데이터 입력, 모델 설정, 출력 검증을 완전히 제어한다고 가정합니다. 단락 2(LLM 구현 차이): 본 리뷰는 Claude Code가 로컬 R 환경에서 LLM이 생성한Rscript를 직접 실행하고, 원시 출력(summary / warnings / sessionInfo)을 감사 패키지에 기록합니다. 차단/공개 판단은 고정된audit_parse.R이 rma 객체 필드에서 계산하며, LLM이 출력 텍스트를 해석하는 데 의존하지 않습니다. 이는 "복사하여 붙여넣기하여 다시 채우기 / 예상 데이터 형식과 실제 데이터 형식 불일치"와 같은 구형 위험을 제거합니다. 여전히 존재하는 실제 한계: R 코드는 여전히 LLM에 의해 생성되며, 컴파일은 통과하지만 결과가 잘못된 미묘한 버그(잘못된 변수명 / 잘못된 함수 호출)가 있을 수 있습니다. 로컬 실행이 자동으로 결과의 정확성을 증명하지는 않습니다. 단락 3(완화 + 한계): (1) 스크립트는 회귀 테스트 스위트(tests/)로 검증되고 + 원시 출력은 사람이 재검토할 수 있으며, 적색 신호는 R이 계산하여 LLM이 숫자를 잘못 읽을 위험을 줄입니다; (2) 이상 징후를 감지하기 위해 최소 하나의 sensitivity analysis(leave-one-out / 대체 τ² 추정량)를 포함합니다; (3) 사람이 서명 지점에서 통계적 판단에 대해 결정하고 책임을 집니다; 재현 가능성은 sessionInfo + 고정 스크립트에 의해 보장됩니다. Discussion/Limitations에서 "통계가 LLM이 매개한 로컬 자동화 워크플로우에 의해 완료됨"을 방법론적 특징으로 여전히 공개해야 합니다.
자세한 내용은 references/L9-r-code-templates.md 참조.
6. 각 references 파일을 로드해야 하는 시점
| 로드 시점 (구체적인 결정 작업 수준) | references 파일 |
|---|---|
| 주 에이전트가 L9.1 단계에서 효과 크기 유형 / SE 역산 / unit-of-analysis를 결정해야 할 때 | references/L9.1-effect-size-extraction.md |
| 주 에이전트가 L9.4 단계에서 FE/RE/HKSJ를 결정해야 할 때 | references/L9.4-fixed-random-models.md |
| 주 에이전트가 L9.5 단계에서 이질성 지표(I² > 75% 차단 결정 포함)를 공개해야 할 때 | references/L9.5-heterogeneity.md |
| 주 에이전트가 L9.6 / L9.7 단계(k ≥ 10)에서 하위 그룹 / meta-regression SubAgent를 할당하기 전 | references/L9.6-subgroup-metaregression.md |
| 주 에이전트가 L9.9 단계(k ≥ 10)에서 출판 편향 SubAgent를 할당하기 전 | references/L9.9-publication-bias.md |
| 주 에이전트가 R 코드 생성 SubAgent를 할당하기 전 | references/L9-r-code-templates.md |
| 심리학 시나리오가 트리거되어 주 에이전트가 L9.2-L9.10에서 8개 주제(RVE/삼수준/MASEM/H-S/RG)를 결정해야 할 때 | references/L9-psychology-special.md |
| 주 에이전트가 L11 작성 전에 APA MA... |