IB化学IA（Internal Assessment）中，学生最担心的事情之一就是：实验做完了，数据很"丑"——结果跟理论值偏差很大，或者数据点不规律。很多学生以为这意味着IA失败了，但事实上，数据异常本身并不是失分的原因，关键在于你如何"处理和解释"这些数据。
小研在做IB化学IA时，测定某反应的活化能，得到的Arrhenius图数据点离散度很高，线性度很差。她慌了神，联系留美汇教育，辅导老师帮她用正确的方式"救活"了这份IA。
数据异常的两种情况
**情况1：有规律的偏差（Systematic Error）**
系统误差会让数据整体偏高或偏低，但趋势正确。比如温度计未校准，导致所有温度读数都偏低2度。这种情况可以通过说明误差来源和估算误差大小来妥善处理。
**情况2：无规律的离散（Random Error）**
随机误差会让数据点"跳来跳去"，难以拟合直线。这种情况需要诚实说明：识别离群点（outliers），分析产生原因，必要时排除并说明理由，同时用最小二乘法拟合最佳直线并计算R²值。
留美汇教育的补救指导
辅导老师帮小研做了以下几步：
**第一步：重新审视原始数据**——检查是否有记录错误（比如小数点位置），找出明显的离群点。小研有一个数据点明显偏离趋势，经分析是某次实验中温控不稳定导致的。
**第二步：对离群点作说明**——在IA报告中单独讨论这个离群点：它出现的原因是什么？保留它还是排除它？排除的理由是否合理？
**第三步：用Excel做线性回归**——对剩余数据进行Arrhenius图（lnk vs 1/T）的线性拟合，计算斜率（从而得到活化能Ea），并报告R²值（线性相关程度）。
**第四步：在Evaluation中充分讨论误差**——说明实验误差的来源（溶液浓度的不精确配制、计时误差等），估算每种误差对活化能计算结果的影响，并提出改进建议。
最终结果
按照辅导老师的指导修改后，小研的IA在Evaluation部分得到了高分评价，因为她对数据异常的分析非常深入、诚实。IB评审最欣赏的是：知道自己的实验哪里有局限，并能用科学语言说清楚。小研的IB化学最终拿到7分，IA贡献不小。
