综述:生成式人工智能在教育中的环境影响:基于教育与技术证据的系统综述

《Sustainability》:Environmental Impacts of Generative AI in Education: A Systematic Review of Educational and Technical Evidence

【字体: 大 中 小 】 时间:2026年07月16日 来源:Sustainability 4.1

编辑推荐:

  生成式人工智能(GenAI)在教育机构的快速普及尚未伴随对其环境影响的系统性评估。大语言模型(LLM)的训练与运行会引发电力消耗、温室气体排放、水资源利用、硬件制造及电子废弃物等问题,但这些物理足迹对教育工作者和学习者而言仍基本处于隐形状态。本项基于PRISM

  
生成式人工智能(GenAI)在教育机构的快速普及尚未伴随对其环境影响的系统性评估。大语言模型(LLM)的训练与运行会引发电力消耗、温室气体排放、水资源利用、硬件制造及电子废弃物等问题,但这些物理足迹对教育工作者和学习者而言仍基本处于隐形状态。本项基于PRISMA的系统综述围绕两个研究问题展开:(a)教育情境下GenAI工具关联的环境影响类型有哪些?(b)用于测量或估算这些影响的指标、数据源、假设及方法论路径是什么?研究人员检索了Scopus、Web of Science、ERIC、IEEE Xplore四个数据库,筛选出2022至2026年间符合条件的23篇文献,将其划分为两类证据流:教育特异性研究(n=8)聚焦直接教育场景中的GenAI应用,互补性技术研究(n=15)则来自更广泛的AI可持续性文献,提供可迁移的环境指标、基准与评估方法。采用双证据流设计的原因是教育领域的环境实证证据稀缺,而技术文献的方法论路径对理解教育影响的评估逻辑至关重要。综合分析显示,运行阶段的电力消耗、碳排放与水资源需求是最常被报告的影响类型,但教育场景下的相关证据仍有限且方法论一致性不足。技术研究提供了精确的硬件层级测量数据与全生命周期评估(LCA)结果,而教育研究主要依赖间接代理变量、自填式问卷调查或令牌计数近似法。现有教育特异性实证证据规模较小,部分研究表明特定条件下GenAI使用会增加学生作业的能源足迹,而实时碳反馈可视化界面可减少提示词量与估算排放量。劳动对比研究呈现混合结论:尽管部分估算认为AI生成工作的碳强度低于人力劳动,但在纳入迭代提示与输出校验后,编程任务的正确性控制证据显示排放量可能显著上升。水足迹、隐含排放与电子废弃物虽在概念层面得到认可,但仅在与教育相关的技术领域开展了实证测量。本综述提出三级政策框架,涵盖教学实践、技术平台选择与机构治理,旨在推动教育领域AI应用与环境可持续性承诺的协同对齐。

1. 引言

生成式人工智能已深度嵌入教育实践,学生运用大语言模型与图像生成器开展写作、编码、翻译、反馈获取与创意工作,教师则逐步将其应用于教案设计、评估开发、行政事务与学生支持。既有研究多聚焦教学机遇、学术诚信、评估体系、隐私保护与算法偏见,而该技术应用扩张的环境后果尚未得到系统性关注。GenAI常被感知为非物质化服务,用户输入提示即可在数秒内获得回应,但其运行依赖数据中心、高性能处理器、冷却系统、电网、网络设备及硬件供应链等物理基础设施。大语言模型的训练与运行通过电力消耗、温室气体排放、水资源利用、硬件制造、矿产开采与电子废弃物产生环境影响,这些影响贯穿AI系统的全生命周期,无法仅简化为单次训练或用户查询的电力消耗。2024年全球数据中心电力消耗约达415 TWh,占全球电力使用总量的1.5%,且近年增速显著高于全球总需求增速,其中AI驱动的计算密集型训练与推理负载是未来数据中心需求增长的重要驱动力。模型层级的能耗受架构设计、参数量、硬件类型、工作负载配置、批次大小、提示长度、输出长度与系统利用率等多因素影响;碳排放不仅取决于电力消耗,还与计算发生的时间与地域相关,相同模型与任务在不同电力结构区域部署会产生差异化排放。数据中心能效指标电源使用效率(PUE)可反映冷却与其他配套基础设施的额外电力需求,仅基于处理器层级的测量无法覆盖AI服务的完整运营足迹。水资源消耗包含数据中心冷却的直接用水与发电过程的间接用水,二者受区域气候条件、冷却技术与电力来源的地理与时间差异影响,需与能源、碳指标并列考量,尤其在水压力较高区域更为关键。环境足迹还延伸至模型训练与部署前阶段,GPU、服务器、存储系统与网络设备的生产涉及金属、矿物、化学品、水资源与能源消耗,制造与运输过程产生隐含排放,而硬件更换周期缩短会加剧电子废弃物与资源需求压力,因此全生命周期研究需区分运营影响、隐含影响与报废影响。教育场景的使用特征进一步放大了测量挑战:教育应用通常覆盖大规模人群且具有重复性,单次学生交互能耗较低,但课程、院校乃至国家教育系统的常态化使用会形成显著的聚合需求;不同教育活动(如图像生成、迭代代码调试、班级规模自动化反馈、校级聊天机器人运行)涉及差异化模型、工作负载与交互模式,通用单提示排放估算无法直接迁移。当前教育特异性研究尚处于起步阶段,部分研究基于令牌计数或模型基准估算排放,或考察学生接收环境反馈后的行为变化,课堂研究则探索引入GenAI后的总能耗变化,但此类研究占比极低,多数教育文献仅概念性讨论环境可持续性,缺失可复现评估所需的关键信息,包括模型标识、交互次数、输入输出令牌量、服务器假设、硬件类型、系统边界、PUE值、电网碳强度与隐含影响处理方式。证据基础还存在学科壁垒:教育研究侧重学生行为、意识、教学实践与机构采纳,计算机科学研究聚焦处理器功耗、推理效率、模型规模与工作负载特征,环境与生命周期研究则提供碳、水、制造与材料影响的评估方法,三者采用差异化单位、系统边界、假设与证据标准,导致研究结果难以直接比较或应用于教育决策,形成了实证与方法论的双重缺口。本系统综述旨在厘清教育场景下GenAI环境影响的识别、测量、估算与报告逻辑,首先梳理教育特异性文献证据,继而考察更广泛AI可持续性文献中可迁移至教育场景的指标、数据源、假设与评估方法,明确当前教育领域GenAI环境影响的认知边界,为未来教育研究的系统性评估提供方法论支撑。

2. 分析框架

本框架将生成式人工智能的环境足迹视为全生命周期与系统边界问题,而非对电力、水、硬件与废弃物的重复盘点,核心功能是规范综述中的影响编码逻辑,包括运营环境影响、隐含与生命周期影响、报废影响及评估层级,该分类遵循区分计算相关排放与更广系统效应、强调功能单位、硬件、区位、能源来源与不确定性透明报告的评估准则。

2.1 运营环境影响

运营影响发生于模型训练、微调与推理阶段,仅当与可识别AI工作负载(如训练运行、部署推理、提示处理、图像生成或平台级使用)关联时才被编码,而非泛化的ICT能耗。核心指标包括数据中心运行关联的电力消耗、计算需求、温室气体排放与水资源利用。影响程度受模型架构、参数量、硬件类型、批次大小、输入输出比、任务复杂度、服务器利用率、数据中心能效及计算发生时段的电力结构共同影响。训练与推理在分析上被区隔:训练在计算模型开发阶段集中消耗资源,推理则在部署系统使用后产生重复性需求,这对教育场景尤为关键——教育应用多涉及托管推理,包括重复提示、修订、翻译、编码交互、图像请求、反馈工具与行政应用,单次交互规模较小,但课程、校区或系统级采纳会因输出校验与修订需求形成实质性资源消耗。运营碳排放被定义为工作负载、硬件、设施开销与电网碳强度的函数,而非提示或模型的固有属性。由于AI相关数据中心的电力需求需结合区域电力供应、电网约束与基础设施扩张速度解读,仅以令牌、提示或模型规模为代理变量的估算若未明确硬件、区位、PUE值与电力来源假设,均被视为部分指标。水资源利用与碳指标分开编码,因其机制与局部约束存在差异:数据中心通过冷却系统直接耗水,同时通过发电过程间接耗水,现有研究显示水资源报告成熟度低于能源报告,直接消耗、饮用水 sourcing、间接发电耗水与局地水压力并非可互换指标,因此框架区分直接设施用水、发电间接用水与仅定性提及水资源的研究。

2.2 隐含与生命周期影响

仅聚焦模型运行的评估仅能覆盖总足迹的部分维度。隐含影响源自原材料提取、半导体生产、GPU与服务器制造、数据中心基础设施建设及设备运输;生命周期评估则将系统边界扩展至材料提取、生产、运输、运行、维护、更换与处置全流程,这对生成式AI尤为重要——仅基于训练或推理电力的评估可能低估硬件制造、设施建设与供应链负担。硬件与报废影响被编码为独立生命周期类别,而非合并至运营碳排放:相关研究估算若服务器周转率加速,2030年生成式AI可能产生大量新增电子废弃物流,而《2024全球电子废弃物监测报告》显示全球电子废弃物产生量与 documented 回收量之间存在显著缺口。教育机构虽不直接控制上游与下游流程,但其平台采购、云合约与设备更新周期会通过需求信号间接塑造相关进程。

2.3 环境评估层级

生成式AI的环境影响可在多个分析层级开展评估:硬件层级测量处理器功耗、利用率、内存使用与受控工作负载下的性能表现;模型层级比较不同系统的训练能耗、推理效率、参数量、架构与排放水平;任务层级以单提示、令牌、生成图像、文本页、编码解决方案或已完成活动为单位计量影响;用户、课堂或课程层级可将活动日志与模型特异性能源或排放估算结合;机构层级则涵盖学生、教师、行政服务、学习平台与云合约的累积使用,以及采购策略、服务器区位、可再生能源声明、平台架构与组织碳核算。各层级不可互换:提示层级估算若无频率、用户行为、模型路由、输出质量与重试率假设,无法代表机构级服务;反之,硬件基准可能无法反映真实教育使用模式。遵循机器学习能源与碳核算的报告指南,综述在可用情况下记录功能单位、系统边界、模型、硬件假设、工作负载、电力来源、数据中心能效与不确定性参数。

2.4 框架在综述中的应用

本框架从两方面指导综述:一是支持对纳入研究的环境影响进行分类,无需重复电力、水、硬件与废弃物的背景介绍;二是为两类证据流的指标、数据源、假设、系统边界与估算方法比较提供基础。教育特异性研究揭示GenAI在教学、学习、评估、学生工作与机构设置中的应用逻辑,技术与环境研究则提供可应用于教育使用数据的基准、生命周期方法、能源模型、碳核算程序与软件工具。通过区分两类证据流,可明确教育领域已直接测量的内容与仍需依赖相邻领域估算的内容。

3. 材料与方法

3.1 研究设计

本系统综述遵循PRISMA 2020指南,确保研究识别、筛选与选择过程的规范性、透明度与可复现性,提升研究结果的 methodological rigor 与可信度。流程包含三个阶段:(1)在Scopus、Web of Science核心合集、ERIC、IEEE Xplore四个学术数据库开展全面文献检索,覆盖教育、生成式人工智能与环境可持续性的跨学科主题;(2)基于预设纳入排除标准开展结构化两阶段筛选;(3)对纳入研究开展全文分析与主题合成。鉴于研究主题处于教育技术与环境可持续性的交叉前沿,设计整合两类互补证据流:教育特异性出版物考察生成式AI的环境影响,互补性技术研究则提供适用于教育场景的方法论路径、指标与数据源。双目的设计体现在检索策略与 eligibility 标准中,并指导合成的主题组织。研究前制定内部评审方案,明确研究问题、 eligibility 标准、检索策略、数据提取表、质量评价框架与合成计划,因聚焦环境而非健康结局未公开注册,提取表与全文排除清单作为补充文件提供以支持可复现性,PRISMA 2020核查表亦作为补充材料提交。

3.2 纳入标准

纳入标准与研究目标对齐,根据研究场景将合格出版物分为教育特异性研究与互补性技术研究两类,区分贯穿研究选择、数据提取与合成全流程。教育特异性研究需同时满足:聚焦生成式AI(含大语言模型、AI聊天机器人、文生图系统、代码生成模型等);涉及教学、学习、评估、课程设计、学生支持、教师专业发展、教育行政、机构实施或教育政策等教育情境;测量、估算、报告或实质性讨论至少一项生成式AI关联的环境影响(含电力消耗、计算需求、温室气体排放、碳足迹、数据中心使用、水资源利用、硬件或基础设施需求、原材料使用、隐含影响与电子废弃物);为研究问题提供证据,即明确教育场景GenAI使用的环境影响类型,或用于评估该类影响的指标、数据源、假设、系统边界与方法论路径。互补性技术研究需同时满足:聚焦可识别的生成式AI模型、工作负载或专用基础设施;报告可迁移至教育GenAI使用的环境指标、测量数据、模型、数据集、计算程序或评估方法;提供可迁移的分析单位或方法论程序(如单查询能耗、令牌/图像/任务/模型/训练运行排放、硬件层级功耗测量、水资源估算、生命周期评估、碳核算方法或环境影响估算软件工具);所报告证据可合理支撑学生、教师、课堂、课程、平台或机构层面GenAI使用的环境影响估算或解读。技术研究不能仅泛泛讨论数字技术与人工智能的可持续性,必须提供具有明确教育应用潜力的GenAI特异性证据或方法。两类证据流的通用出版标准为:2022年1月至2026年6月间发表、英文撰写、可获取全文、发表于同行评审期刊论文、会议论文或综述文章。出版时段的选择基于2022年末大语言模型类生成式AI工具公众普及后教育领域应用快速扩张的背景,2022年前的通用生命周期评估与碳核算方法因非GenAI特异性未被纳入,此为研究局限之一。排除标准包括:聚焦人工智能、机器学习、学习分析、自适应系统或教育技术但无明确生成式AI指向;讨论生成式AI但未涉及环境影响、环境指标、计算需求、基础设施、资源使用或评估方法;仅从社会、经济、伦理、教学或制度维度讨论可持续性而无环境维度;非教育场景且未提供可迁移至教育GenAI使用的环境证据、指标、数据源、假设或方法;讨论通用数据中心可持续性或传统计算但与生成式AI无明确关联;社论、观点文章、新闻稿、博客、书评、摘要、海报、演示文稿等非同行评审类型;无法获取全文;非英文发表或超出指定出版时段。 eligibility 存疑时通过全文评估判断研究是否对至少一个研究问题提供相关证据,每篇研究仅归入一类证据流。

3.3 信息来源

文献检索在Scopus、Web of Science核心合集、ERIC、IEEE Xplore四个数据库开展,兼顾跨学科覆盖范围:Scopus与Web of Science提供广泛的多学科学术文献,ERIC聚焦教育领域,IEEE Xplore索引人工智能、计算基础设施与节能技术相关的技术与工程研究。除数据库检索外,还筛查纳入综述文章的参考文献列表,识别数据库检索未覆盖的GenAI特异性环境测量研究,补充检索共识别18条记录,去重后12条进入筛选,其中7条在标题/摘要阶段被排除,5条进入全文评估,最终3条被纳入,使数据库来源纳入研究从20篇增至23篇,补充检索路径在修订版PRISMA流程图中单独报告。

3.4 检索策略

检索策略经初步范围检索迭代开发,平衡敏感度与特异度,聚焦三大核心概念:(1)生成式人工智能,含generative AI、ChatGPT、大语言模型(LLM)、AI聊天机器人、基础模型、GPT、Copilot、Gemini、扩散模型、文生图、图像生成、推理等术语;(2)教育,含education、teaching、learning、student、teacher、educator等术语;(3)环境可持续性与环境影响,含environmental impact、碳足迹、碳排放、能耗、计算成本、绿色AI、可持续AI、水足迹、水资源消耗、生命周期评估、隐性排放、电子废弃物、硬件、GPU、数据中心、冷却、供应链、电力使用、温室气体等术语。鉴于主题较新且跨学科,检索策略优先保障教育场景下GenAI相关研究的广泛召回,预检索显示过度限制教育与环境的组合可能排除仅在全文或讨论部分涉及环境影响的潜在相关研究,因此最终检索策略将三大概念块组合,每块术语保持足够广度以覆盖不同 specificity 层面的环境议题,研究问题与检索策略的相关性在标题摘要筛选与全文评估阶段判定。检索式适配各数据库的索引结构与检索功能,时限为2022年1月至2026年6月,仅纳入英文发表的同行评审期刊论文、会议论文与综述文章,检索于2026年6月6日执行,结果导出为RIS格式并导入Rayyan工具进行去重与筛选。主数据库检索要求三大概念块同时出现,适用于识别教育特异性研究;互补性技术研究主要通过纳入综述文章的参考文献补充检索获取,原因是单独开展无教育概念块的技术数据库检索会返回规模过大且与本综述目标相关性极低的结果集,该双路径设计在PRISMA流程图与方法中透明报告。

3.5 研究选择

Rayyan重复检测功能初步识别198条重复记录,人工核查额外发现57条标题作者匹配的重复记录,共移除255条重复记录后进入eligibility 筛选,无记录仅通过自动 eligibility 决策排除。筛选分两阶段开展:第一阶段由一名 reviewer 对照预设标准筛选所有剩余记录的标题与摘要,保留可能与两类证据流相关的记录——教育特异性记录需涉及生成式AI、教育情境与环境维度;无非教育情境的记录若提供可迁移至教育使用的GenAI特异性环境指标、测量数据、数据源、假设、基准或评估方法则予以保留。标题摘要阶段排除的106条“非教育情境”记录,其标题摘要显示既无生成式AI指向也无可迁移环境证据;最终纳入的15篇互补性技术研究,其摘要或全文明确涉及GenAI特异性环境测量、基准测试或生命周期评估,且具有清晰的教育应用可迁移性。操作区分逻辑为:因缺乏教育相关性与GenAI特异性可迁移证据排除的记录归为“非教育情境”;无直接教育情境但具备GenAI特异性环境证据或方法的记录则归入互补性技术研究。标题摘要信息不足以判定 eligibility 的记录予以保留进入全文评估。第二阶段由两名 reviewer 独立评估43篇全文的 eligibility,教育特异性研究需识别、测量、估算、报告或实质性讨论教育场景中GenAI使用的环境影响;互补性技术研究需提供可合理支撑教育GenAI使用评估的环境指标、基准、数据源、假设、计算程序、生命周期方法或其他评估方法,综述文章若对至少一个研究问题提供实质性二手证据且满足出版类型标准则予以保留。筛选一致性检验显示:标题摘要阶段第二名 reviewer 独立复筛20%随机样本(106条),一致率为92.5%,8项分歧经讨论达成共识;全文评估阶段两名 reviewer 独立评估全部43篇文章,初始一致率为90.7%,4项分歧经讨论解决,每篇排除文献记录单一主要排除原因,未因质量评价发现的方法论局限排除文献。数据提取、编码与质量评价因资源限制由一名 reviewer 完成,所有不确定或临界分类均由第二名 reviewer 复核,该局限在讨论部分予以说明。参考文献补充检索的文献经去重后适用相同全文筛选标准,无直接教育情境的文献仅当提供GenAI特异性环境指标、测量数据、数据源、假设、基准或评估方法且可合理支撑教育GenAI使用评估时才被纳入,检索选择流程呈现在PRISMA 2020流程图中,最终23篇出版物符合 eligibility 标准进入定性合成。

3.6 数据提取

数据提取采用Rayyan中构建的结构化提取表,包含5个核心问题,适用于教育特异性出版物、互补性技术出版物与综述文章。第一题记录出版类型(期刊论文、会议论文、综述文章等);第二题记录生成式AI讨论或使用的具体教育情境(高等教育、基础教育、教师教育、专业发展、医学教育、机构或政策场景等),互补性技术出版物标记“不适用”并在备注中描述其对教育评估的潜在相关性;第三题识别出版物考察的GenAI使用类型(教学、学习、评估、学生支持、教师工作、课程开发、内容生成、教育行政、机构实施等,可选多项),技术出版物的备注需说明模型、工作负载、基准或测量方法与学生、教师、课程、平台或机构GenAI使用的关联;第四题捕捉识别或讨论的环境影响类型(能耗、温室气体排放、碳足迹、计算需求、数据中心运行、水资源消耗、硬件与基础设施需求、原材料使用、隐含或生命周期影响、电子废弃物等,可选多项);第五题记录评估或报告环境影响的方法论路径(直接硬件测量、平台或应用日志、模型基准测试、令牌估算、二手数据估算、碳核算计算、生命周期评估、软件估算工具、调查证据、无原始量化的概念讨论等,可选多项)。额外提取信息记录在备注栏,包括学科领域与研究目标、考察的GenAI模型或系统、环境指标与功能单位、数据源、硬件与基础设施特征、系统边界、电网碳强度、PUE值、转换系数、核心假设、与研究问题相关的核心发现、报告局限性与技术证据的可迁移性。缺失或不明确的信息标记为“未报告”,不适用项标记为“不适用”,未联系作者获取补充信息。

3.7 数据合成

合成分三个阶段开展。第一阶段:研究情境与环境影响的分类。首先将纳入出版物按证据流、出版类别、学科领域、研究目标、教育情境与GenAI使用类型分类,继而将环境影响编码为能耗、温室气体排放、碳足迹、计算需求、数据中心运行、水资源消耗、硬件与基础设施需求、原材料使用、隐含生命周期影响、电子废弃物等类别,单篇出版物可归属多个环境影响类别;教育特异性研究的影响还需关联具体教育活动(如学生提示、教师使用、评估、课程开发、学习平台集成、机构部署等)。第二阶段:指标与方法论路径的比较。比较各出版物的指标与功能单位、引用数据源、报告假设、定义系统边界及应用的估算或计算程序,将方法论路径归类为直接硬件测量、模型基准测试、平台或应用日志、令牌估算、二手数据估算、碳核算模型、生命周期评估、软件估算工具、调查证据、无原始量化的概念讨论。同时考量证据的实证基础,分为五类:(1)直接测量:研究者收集的原始硬件层级或平台层级测量数据;(2)基于原始活动数据估算:结合原始使用数据(如令牌计数、提示日志)与二手排放因子的原创估算;(3)基于二手假设的建模:完全基于已发表系数与假设的生命周期或排放估算,无原始使用数据;(4)综述基础:源自既往研究的二手合成发现;(5)概念评论:无原始量化的讨论。综述文章作为二手证据用于情境化研究发现,不计入独立原始发现,该区分用于解读发现的特异性与可信度,而非为单项研究赋予形式化数值权重。第三阶段:证据流比较与研究缺口识别。比较教育特异性研究与互补性技术研究的差异,聚焦考察的环境影响类型、测量深度、指标与方法及技术路径向教育场景的迁移潜力,综述文章作为二手证据用于阐释 broader 模式。综述文章报告的定量估算若对应原始研究已被纳入,则不重复计数。合成以叙述性方式呈现,辅以比较表格总结研究特征、教育情境、环境影响类别、指标、测量路径、核心发现与报告局限,分类一致的情况下计算频数与百分比(因单篇出版物可涉及多类环境影响或方法论路径,类别总和非互斥)。研究缺口通过考察高频与低频出现的环境影响及教育情境、缺失或报告不足的方法论细节(如模型标识、硬件、功能单位、系统边界、电网碳强度、数据中心能效、水资源利用、隐含影响、不确定性等)识别,特别关注教育场景下的缺失信息。编码与合成由一名 reviewer 完成,不确定分类经复核全文与预设类别定义后确定。

3.8 质量评价

质量评价旨在支撑合成结果的解读,因纳入出版物包含实证教育研究、技术建模研究与综述文章,无单一工具适用于所有类型,故采用出版类型特异性评价标准。实证质性、量化与混合方法研究采用混合方法评价工具(MMAT),针对质性研究、随机对照试验、非随机研究、量化描述研究与混合方法研究分别适用对应的5项评价标准,单项标准评级为“是”“否”或“无法判断”,不计算总体数值评分(遵循MMAT指南不建议合并单项标准为单一 summary 分数的要求)。不属于MMAT范畴的技术与建模研究采用本研究开发的专用框架评价,维度包括:(1)研究目标、环境结局与分析单位的清晰度;(2)GenAI模型、硬件、工作负载与系统边界的报告完整性;(3)数据源的适当性与可追溯性;(4)假设、转换系数、分配规则与计算程序的透明度;(5)不确定性、敏感性、局限性与潜在误差源的考量;(6)方法的可复现性或可迁移性,单项标准评级为“是”“部分”“否”或“不适用”。综述文章单独评价,维度包括:(1)综述目标或问题的清晰度;(2)信息源与检索程序的透明度;(3)纳入排除标准的明确性;(4)研究或证据选择过程的描述完整性;(5)合成方法的适当性与清晰度;(6)结论与引用证据的可追溯性及局限性说明。未报告可复现检索与选择程序的叙述性综述若符合 eligibility 标准则作为情境化二手证据保留,但其发现的解读需更为审慎。质量评价不决定研究纳入,
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号