使用Agentic Harness构建用于元分析综合的可执行分析知识表示

元分析综合展示了知识驱动的科学研究分析中一个基本挑战：结构化的证据本身并不能代表执行计算所需的分析知识。关于证据分配、分析对比、结果和时间点对齐、效应量形式化和方法学可接受性的决策必须明确，才能进行统计执行。现有的自动化方法往往将这些决策嵌入到模型输出、生成的代码或工作流追踪中，而不是作为独立可验证的知识来表示。我们引入了可执行分析知识表示（EAKR），这是一种将结构化证据转换为可执行元分析所需的知识表示。EAKR代表证据、关系、数值输入、约束、来源和未解决的问题。我们在元分析决策（MetaSynDec）中实现了EAKR，这是一个大语言模型提出的结构化更新，以及确定性服务来验证和执行基于模式和合同的方法学。在58个元分析单元中，MetaSynDec构建了所有EAKR，其中57个单元继续进行统计执行。在56个单元中，有足够的信息来定义参考分析对象，38个（67.9%）单元达到了完整的对象忠实度，42个（75.0%）单元实现了精确的证据集对齐，平均Jaccard相似度为0.909。生成与已发布的置信区间在55个单元中的54个重叠（98.2%）。MetaSynDec在参考合成结构一致性（57/58 vs 23/58；p<0.001）和与23个共同完成的单元相比，精确的参考形式一致性（23/23 vs 1/23；p<0.001）方面表现优于直接LLM生成。这些发现为EAKR支持正式验证、可追溯性、统计执行和相对提高的方法学一致性提供了可行性证据。