Cognia 学校数据分析

依据 Cognia《自评工作手册》（Self-Assessment Workbook）方法论，将学校原始数据转化为符合认证要求的分析成果。目标从来不是呈现原始数据——而是呈现分析成果（证据 → 发现 → 行动理论）。

适用场景

• 用户提供学校数据（测评结果、问卷、观察记录、手册、各类计划等），需要生成分析结论、关键发现或认证叙事材料。
• 为 Cognia 认证参与式评审（Accreditation Engagement Review）的自评环节做准备。
• 开展持续改进的数据循环工作（现状 / 改进 / 成长；子群体差距识别；根本原因分析）。
• 撰写三项强制性分析报告或执行摘要（Executive Summary）。

核心原则

数据 →（分析 → 综合）→ 信息 → 发现（基于事实、具有结论性的陈述）→ 证据（仅包含支撑发现的信息）→ 行动理论（if/then/so that 结构）。切勿在明确根本原因前直接提出行动建议；只处理表征，不解决根源。

五步流程

1. 明确目的。 共同承诺诚实与透明；确保结果将切实用于改进实践。
2. 识别并评估数据来源。 使用下方四类标准对全部数据源进行清查归档；以 assets/data_source_inventory.md 作为工作表。
3. 清洗数据。 剔除无关数据源；验证其具体性、有效性与准确性；拆分至具体条目或页面层级，而非整份文档；详见 references/methodology.md（含清洗检查清单及常见错误）。
4. 分析与综合。 将清洗后的数据按主题聚类（优先从四大关键特征切入：文化、领导力、参与度、成长）；对每项要点标注“正向”或“负向”。
5. 解读、排序与行动规划。 撰写发现陈述；依据组织能力进行优先级排序；开展根本原因分析；草拟 if/then/so that 形式的行动理论。

四类数据来源（用于清查归档）

• 文档资料（Documentation） —— 手册、战略/行动/技术计划、政策文件等。
• 观察记录（Observations） —— eleot® 评估、教师课堂观察、会议评估等。
• 感知反馈（Perceptions） —— 问卷、焦点小组、访谈（面向学习者、家庭、教育工作者）。
• 绩效数据（Performance） —— 组织层面指标 + 学生学业/非学业数据（出勤率、纪律记录、测评结果等）。

三项强制性分析（须全部完成）

每项分析均遵循上述五步流程，并产出三段式叙事结构：(1) 经分析与综合的证据，(2) 发现（含显著成就与待改进领域），(3) 根本原因解读 + 行动理论。

• 学生表现分析（Student Performance Analysis） —— 相关提示语、EC1–EC4 评分标准及输出模板见 references/analysis_prompts.md 和 assets/student_performance_template.md。此项为学校必做（独立学区/ESO/特许学校授权方/州教育局 SEAs 不适用）。
• 利益相关方反馈分析（Stakeholder Feedback Analysis） —— 必须覆盖三年级及以上学习者、家庭及教育工作者。提示语与 EC1–EC4 评分标准见 references/analysis_prompts.md 和 assets/stakeholder_feedback_template.md。
• 学习环境观察分析（Learning Environment Observation Analysis） —— 使用 eleot® 或具备同等效力的工具，聚焦于测量学习者参与度（非教师教学观察工具）。提示语与 EC1–EC3 评分标准见 references/analysis_prompts.md 和 assets/learning_env_template.md。

需针对每套分析成果，依据其对应评估标准（详见 references/evaluative_criteria.md 中详细量规），进行整体性评级，以评估可信度并标示待改进环节。

发现陈述、根本原因与行动理论

• 发现陈述： “基于我们分析与综合的信息，我们发现……”——必须为客观事实陈述，不嵌入解决方案。
• 根本原因： 可采用鱼骨图法（分类维度包括：课程、教学、参与度、测评等）或“五个为什么”（Five Whys）法。注意：数据呈现的是表征，而非原因本身。
• 行动理论： “如果 [采取某项行动]，那么 [预期发生何种变化]，从而实现 [最终目标]。”每项分析须至少提供一项用于改进的行动理论，以及一项用于巩固优势实践的行动理论。

处理真实数据文件

当用户提供 CSV/XLSX 格式导出数据时，运行 scripts/analyze_school_data.py 脚本，生成结构化简报（含现状、改进趋势、成长性、子群体差距等），供智能体用于撰写叙事内容。随后将分析结果映射至相应 assets/*_template.md 模板，并依据 references/evaluative_criteria.md 中的评估标准（EC）进行评级。

python scripts/analyze_school_data.py 
  --file results.csv --year-col Year --group-col Subgroup 
  --value-col Proficiency --category-col Subject 
  --out brief.md

运行 scripts/analyze_school_data.py --help 查看全部参数选项。

执行摘要（Executive Summary）

完成三项分析后，使用 assets/executive_summary_template.md 模板，整合撰写约 2000 字的机构级叙事，涵盖以下模块：历史沿革、社区关系、治理结构、使命/愿景/价值观、招生情况、教育哲学、课程体系、教学实践、人员配置、学生表现、改进举措。

质量核查清单（交付前确认）

• 未将原始数据直接作为分析呈现；已展示分析过程与综合结论。
• 数据源已完成清洗与四类归档（D/O/P/P）；已剔除无关数据。
• 每项分析均已按其对应 EC 量规完成评级；并明确说明可信度等级。
• 发现陈述为客观事实，与解决方案分离；且已依据组织能力完成优先级排序。
• 已开展根本原因分析（而非仅处理表面症状）。
• 已提供至少一项用于改进的行动理论，以及至少一项用于巩固优势实践的行动理论（均采用 if/then/so that 结构）。
• 在适用情形下，已纳入子群体/成就差距的细分分析。
• 叙事严格遵循三段式结构；所引证据具体明确（精确到条目/页码/字段）。

参考文件

• references/methodology.md —— 完整五步流程说明、数据清洗检查清单、常见数据错误、鱼骨图与“五个为什么”操作指南。
• references/evaluative_criteria.md —— 全部评估标准（EC）量规：学生表现 EC1–EC4、利益相关方反馈 EC1–EC4、学习环境 EC1–EC3。
• references/analysis_prompts.md —— 各项分析中“显著成就领域”与“待改进领域”的标准提示语。
• assets/data_source_inventory.md —— 四类数据源清查工作表。
• assets/student_performance_template.md、assets/stakeholder_feedback_template.md、assets/learning_env_template.md —— 各项分析的叙事模板。
• assets/executive_summary_template.md —— 执行摘要结构化提纲。