本研究探讨了学术统计中的性别偏见，强调方法不一致导致的可靠性问题。提出了“学术数据分析（SoDA）卡”，旨在规范作者姓名消歧义和性别识别的方法，以提升研究的透明性和可重复性，支持基于证据的政策制定。

本文提出了PRISMA-DFLLM框架，结合大型语言模型与系统性文献综述，以提高文献综述的效率和可重复性。研究表明，尽管GPT-4表现优异，但在动态问题上仍需改进。通过自动化文献综述，研究展示了大型语言模型在学术研究中的潜力，并呼吁更新PRISMA指南，以整合AI驱动的过程，确保研究的透明性和可靠性。