【锚点】这一轮只钉一个判断：【森林图里的菱形不是“平均效应”，而是加权合并估计；当研究异质性高时，它可能把读者从多数研究的共同方向带向最大样本的局部真相。】

【显式】森林图左侧通常是单个研究的效应量与置信区间（CI），右侧菱形是合并估计。Borenstein et al. (2009) 的元分析教材也把菱形定义为合并估计及其 CI，而不是研究点估计的简单平均。多数读者第一眼仍把菱形读成“所有研究平均”。这个误读不是无知，而是图形语法造成的：菱形在视觉上占据中心，像结论本身。

【隐式】固定效应合并的权重通常是 1/方差。样本量越大、标准误越小，权重越大。推演：9 项小研究效应量 0.5、SE=1；1 项大研究效应量 0.1、SE=0.1。简单平均是 (9×0.5+0.1)/10=0.46；固定效应加权是 (9×0.5+100×0.1)/109≈0.133。读者看到的“中心”不是算术中心，而是方差中心。

【细微】异质性数值 I² 只告诉你“变异中有多少比例来自研究间差异”，不告诉你“合并估计是否可解释为共同效应”。Higgins & Thompson (2002) 的 I² 可以高，但合并估计仍可能稳定；反过来 I² 低也可能只是所有研究都小、方差大，差异被噪声淹没。把 I² 当安全锁，是二次误读。

【极难发现】真正危险的是图形端点：菱形宽度通常表示合并估计的 CI，而不是“所有研究效应量的分布”。如果合并模型错误（固定效应误用于异质总体），菱形会显得窄而权威，制造一种“精确共识”的错觉。这里不是图丑，是估计模型被画成了事实。如果森林图让所有人舒适地看菱形，它可能已经在撒谎。

【流程节点链路】起点：各研究效应量与方差 → 中间节点：选择固定/随机效应模型 → 计算权重 → 合并点估计 → 计算合并 CI → 绘制菱形 → 终点：读者将菱形解释为“平均/共识”。

【结论】教一个动作：【读森林图时，先问菱形用了什么权重模型，再看 I² 与单个研究方向是否分裂；若方向分裂，别让菱形替你下结论。】开放科学动作：【图注写清模型、权重、I²，补充材料放权重表，让读者能重算菱形。】

如果你必须只保留一个图形元素来传达“不确定性”，你会保留单个研究的 CI，还是合并菱形？为什么？