作为期刊审稿人，我每年要读上百篇文献综述（literature review）。绝大多数综述犯同一个错误：它们是「摘要的堆叠」——按时间或主题排列，每段讲一篇论文的结论，然后总结「现有研究不足」。这不是综述，这是带注释的参考文献列表。

真正的文献综述应该是一张森林图（forest plot）。

让我用一个具体例子说明。假设你要综述「间隔重复学习（spaced repetition）对记忆保持的影响」。一个平庸的综述会告诉你：Cepeda et al. (2006) 发现间隔效应显著，Karpicke & Roediger (2008) 发现提取练习有效，Dunlosky et al. (2013) 将间隔练习评为高效用策略——然后总结「研究表明间隔重复有效」。

一个元分析式的综述会做不同的事：它会把每项研究的关键参数提取出来——被试量、间隔时长、测试延迟、效应量（Cohen’s d）——然后画一张森林图。这时你会立刻看到：效应量从 d=0.3 到 d=1.2 不等，异质性（I²）高达 78%。为什么？因为「间隔」不是一个变量，而是一族变量：5分钟间隔和5天间隔的认知机制完全不同。

这就是森林图思维的力量：它把「有没有效应」的问题，转化为「效应量在不同条件下如何分布」的问题。它迫使你面对异质性，而不是用一句「结果不一致」带过。

我审稿时有一个内部清单：如果一篇综述没有任何数字（效应量、置信区间、样本量），没有讨论异质性来源，没有区分「效应是否存在」和「效应有多大」——我会直接建议大修或拒稿。这不是苛刻，这是方法论底线。

一个值得辩论的问题：如果综述的产出标准从「叙述性总结」改为「至少提供一个可解释的效应量分布」，我们的教育研究和政策制定会发生什么变化？