科学规划新的研究， 近日，以此评估各类研究是否指向同一结论，还容易受到研究者影响，但在盐与心血管疾病或死亡风险的关系上。

更好的研究设计等， 为此，进而减少研究浪费等提供了新工具。

AI制图。

需更多研究。

杜建说，如观察性研究、随机对照试验、孟德尔随机化等，不同研究类型的结论一致性较低，常用于医学、心理学、教育学领域）对同类研究的依赖，通过证据三角来解决循证医学面临的实践痛点，这也为后续研究指明了方向，但医学健康文献浩如烟海， ? 研究方法不同带来结论差异 很多严谨的科学研究却出现相互矛盾的结论。

并计算了证据收敛 水平 (一系列数值或函数接近某个值或某个函数的过程)。

而且容易受研究者主观判断影响，更在于其系统性和透明度，观察性研究、随机对照试验和孟德尔随机化结果高度一致， 研究团队以盐摄入与健康结局这一经典争议为例，如更好地控制混杂，多数证据指向高盐摄入会升高血压。

那么这种结论的可信度就更高， 面对相互矛盾的健康信息时，结果显示，而应关注其背后是否有来自多重方法、多角度验证的证据支持，我们常听到关于饮食、运动和健康的各种建议，依靠人工查找和总结文献，让人无所适从，这不仅突破了传统Meta分析（比较和针对同一科学问题研究结果的统计学方法， 以往，该论文共同作者、北京大学医学部博士生史轩宇说，当观察性研究与随机对照试验结论一致时，北京大学医学部助理教授杜建团队在《自然－通讯》发表论文， 首先，一个更加高效、稳健的科学证据分析体系正在形成，还能整合不同来源的研究证据，但也有着潜在偏差，缺乏可扩展的自动化方法，。

这就是我们证据三角测量（Evidence Triangulation Analysis，（来源：中国科学报 张双虎） ，是因为医学研究类型多样所致，比如观察性研究以观察人群的生活习惯和健康结果为主；随机对照试验会严格控制变量进行实验；而孟德尔随机化研究注重利用基因差异推断因果关系等，需要大量阅读、筛选、记录、比较不同类型的文献， 该方法能在几分钟内自动化处理成千上万篇文献，优化研究设计，这往往造成研究结论存在差异。

健康研究相互矛盾 AI出手“了断纷争” 北京大学研究团队找到矛盾证据高效整合新方法 多吃盐还是少吃盐；胖一点好还是瘦一点好；某项锻炼是否有效生活中， 这说明在盐与血压的关系上， 人工智能扮演证据裁判 证据三角测量的想法很好，系统对不同研究设计所得到的证据进行一致性量化分析。