Når man har valgt ut artiklene som skal få bli med i den endelige studien, så gjelder det å trekke ut funnene fra artiklene slik at de kan sammenliknes. Dette er en tidkrevende prosess, og det krever gode rutiner og planlegging. Et av hovedpoengene med dataekstraksjon er å kunne gjenkjenne mønstre og identifisere hull i studiene. I følge Booth, Sutton og Papaioannou (2016) er det vanlig å ta hensyn til disse elementene når du planlegger hvilke data du skal hente ut:
- Egnethet (ta utgangspunkt i inklusjons- og eksklusjonskriterier)
- Deskriptive data: studiekarakteristika som f.eks. populasjon og miljø/setting
- Kvalitetsvurderingsinformasjon: informasjon om kvalitet og f.eks. sjekklister
- Resultater
Booth, Sutton og Papaioannou (2016, s. 174) peker også på at du kan foreta kvalitetsvurdering og dataekstraksjon samtidig, og at det finnes både fordeler og ulemper med en slik tilnærming. Det kan være mer effektivt å gjøre kvalitetsvurdering og ekstraksjon til samme tid ettersom begge typer gjennomgang krever at du leser teksten nøye, mens andre påpeker at dette ikke er hensiktsmessig ettersom kvalitetsvurderingen prøver å se det store, helhetlige bildet mens dataekstraksjonen fokuserer på detaljene. Det er altså ikke bare én måte å gjøre det på.
Cochrane har en egen mal [.doc nedlasting] som du kan bruke som utgangspunkt for å lage ditt eget skjema. Det er ofte lettest å skreddersy et eget skjema ettersom du vet best hva du vil hente ut, men kan være greit å ha noe å se etter i begynnelsen.
Etter dataekstraksjonen kan du sammenstille funn i en tabell for å gjøre det enklere for leseren å få oversikt.
| Studie | Deltakere | % deltakere fullført | Mixed methods | Funn [x] | Funn [y] |
| Washington (2020) | 100 | 89 | x | x | |
| Adams (2021) | 78 | 98 | x | x | |
| Jackson (2023) | 64 | 79 | x | ||
| Grant (2019) | 119 | 80 | x | x | |
| Lincoln (2022) | 88 | 92 | x | x |
[denne siden er under utarbeidelse]
Systematiske litteratursøk 