作为实证研究中识别因果关系的一种重要方法，调节效应检验有助于揭示自变量和因变量之间的深层次关系，然而该方法存在无法获得真实效应值且外部效度低等问题。受限于原始研究与生俱来的缺陷，循证领域亟待发展出新的调节效应识别模型。本研究采用大数据循证理念，利用循环方法对控制变量进行排列组合，从而模拟了“穷尽”所有可能的原始研究设计，对全部可能的变量间关系进行了回归分析并记录所有效应值。进而，使用元分析法对全部原始效应量进行全覆盖式合并，以获得真实的效应值，以此提升调节效应结果的外部效度。最后，本研究以信息贫困研究为例，详细展示了大数据循证视角下调节效应识别的所有流程。本研究的主要贡献在于完善了大数据循证理念下的元分析方法体系，从大量原始研究效应中提取了真实效应值，提高了调节效应的外部效度与因果关系识别的可靠性。

作为实证研究中识别因果关系的一种重要方法，调节效应检验有助于揭示自变量和因变量之间的深层次关系，然而该方法存在无法获得真实效应值且外部效度低等问题。受限于原始研究与生俱来的缺陷，循证领域亟待发展出新的调节效应识别模型。本研究采用大数据循证理念，利用循环方法对控制变量进行排列组合，从而模拟了“穷尽”所有可能的原始研究设计，对全部可能的变量间关系进行了回归分析并记录所有效应值。进而，使用元分析法对全部原始效应量进行全覆盖式合并，以获得真实的效应值，以此提升调节效应结果的外部效度。最后，本研究以信息贫困研究为例，详细展示了大数据循证视角下调节效应识别的所有流程。本研究的主要贡献在于完善了大数据循证理念下的元分析方法体系，从大量原始研究效应中提取了真实效应值，提高了调节效应的外部效度与因果关系识别的可靠性。