把出勤、成绩、参与数据串成一条线之后看见的东西

学校里并不缺数据。出勤积在行政系统里，成绩积在成绩处理程序里，参与情况积在 LMS 里，各是各的。问题在于这三样 各自被关在不同的抽屉里，一个学生的整幅画面因此看不见。同一个学生，只看出勤显得踏实，只看成绩显得落后；而把三份数据串成一行的那一刻，浮现出来的诊断完全不同。结合不是去收集新数据，而是把已有的数据叠到同一个学生身上。

结合之后显现的模式

把三份数据按每个学生为单位串起来，下面这几种类型就会清晰地区分开来。

1. 出勤好但成绩低的学生：人在课堂上，学习却没跟上。只看考勤簿完全看不出问题。要怀疑是教学方式的问题，或者是先修学习的缺口。
2. 成绩高但参与度低的学生：多半是对已经懂的内容感到无聊。优等生的悄然脱离，靠出勤是绝对抓不到的。 这些学生需要有挑战性的任务。
3. 参与活跃但成绩跟不上的学生：肯努力，但方法效率不高。花了很多时间却出不了成果，就需要学习策略上的辅导。这不是该责备的事。
4. 三项指标同时下滑的学生：最紧迫的干预对象。比起学习方法，要 先去看家庭、健康、人际关系这类学习之外的因素。

只看一种数据的诊断，就像闭着一只眼看路。距离感和立体感都没了。

尝试结合时的注意事项

比起技术，原则在先。结合本身并不难，但做错了就会制造误解。

• 统一共同标识：同一个学生在各个系统里用不同的编号，结合就无从谈起。能不能用一个学号把所有数据串起来，这是起点。有重名的情况就更是如此。
• 时间点对齐：出勤是按天的，成绩是按单元的，参与是实时的。要归到同一个时间段里，比较才有意义。把 5 月的成绩和 3 月的参与凑到一起，会得出离谱的结论。
• 个人信息最小结合：只合并诊断真正需要的项目。不要出于好奇心多合并。合得越多，风险也一起变大。
• 必须经人解读：结合数据得出的分类只是假设，不是贴到学生身上的标签。被归入"参与度低"这一类，并不意味着那个学生懒。分类是对话的起点，不是结论。

实际这样结合着做上一个学期，30 人的班里就会有三四个用单一指标看起来很普通的学生浮上来，成为新的关注对象。比如出勤中等、成绩中等，一直落在老师视野之外的学生，其实参与度在持续下降。结合真正的效用就在这里——把这些"正在悄悄下沉的中间层"拉到水面上来。

要点整理

出勤、成绩、参与分开看都只是碎片，按单个学生串起来就成了 可供诊断的立体画面。来上课却跟不上的学生、成绩好却觉得无聊的学生，这些藏在单一指标背后的类型才终于显形。关键不在花哨的分析工具，而在用一个学号把数据串起来，并且结果必须经过人的眼睛去解读。