什么是 IB Internal Assessment (IA)？
IB 内部分析评估（Internal Assessment，简称 IA）是 IB 文凭课程中每门学科都包含的核心评估项目。与外部考试不同，IA 由校内教师评分、IB 外部审核。IA 通常占总分的 20%-25%（科学类科目可达 20%，数学 IA 占 20%，语言类 IA 占比各异），是决定最终成绩的关键组成部分。
The Internal Assessment (IA) is a mandatory coursework component embedded in every IB Diploma subject. Unlike external exams, the IA is marked by your subject teacher and externally moderated by the IB. Typically worth 20%-25% of your final grade (20% for Sciences and Mathematics, varying for Language subjects), the IA is a decisive factor in your overall IB score.
IA 的核心在于：你需要在教师的指导下，独立完成一项探究任务——科学课做实验写报告，数学课做数学探索，人文学科做研究论文——并在此过程中展示你的分析能力、批判性思维和学术写作水平。理解 IA 的结构和要求，是拿到高分的第一步。
IA 的 Analysis 部分是什么？
"Analysis"（分析）是 IA 报告中最关键、分值最高的部分。无论你的 IA 是科学实验报告、数学探索论文还是历史研究，Analysis 部分决定了你能否拿到高分。简单来说，Analysis 不是简单描述数据，而是解释数据背后的含义——你的实验结果说明了什么？你的数据趋势意味着什么？你的数学推导得出了什么结论？为什么你的发现重要？
The Analysis section is the intellectual heart of your IA — and the most heavily weighted. Whether you're writing a lab report for Biology, a Mathematical Exploration, or a History investigation, your Analysis is what separates a high-scoring IA from a mediocre one. Analysis goes beyond description: it interprets what your data actually means, identifies patterns and trends, and draws evidence-based conclusions.
很多学生误以为只要把数据列出来、画几张图表就算完成了 Analysis。这是最常见也最致命的误解。真正的 Analysis 要求你对数据进行深度解读，将每一个观察结果与理论框架联系起来，并用批判性思维评估你的发现的可靠性和意义。IB 考官在评分时，最看重的恰恰是你是否有能力从数据中提炼出有意义的洞察，而非仅仅呈现数据本身。
Analysis 的四大核心要素
1. 数据处理与呈现 (Data Processing and Presentation)
在你开始分析之前，确保你的数据经过正确处理。科学类 IA 要求展示原始数据和加工后数据，标注不确定度（uncertainty），并使用适当的图表（带误差棒的散点图、最佳拟合线等）。数学 IA 需要展示计算推导过程，清晰标注每一步。数据处理是 Analysis 的基础，数据错了，后面的分析都是空中楼阁。
2. 趋势与模式的识别 (Identifying Trends and Patterns)
这是 Analysis 最基础的要求：你看到了什么？数据是否呈现线性关系？是否出现异常值（outliers）？趋势是否符合你的预期？用统计学工具（R-squared 值、标准差、t-test 等）量化你的观察。不要只说"看起来差不多"，要用数字说话。
3. 科学或数学解释 (Scientific or Mathematical Explanation)
这是 IB 考官最看重的部分。不要只说"温度越高反应越快"，要解释为什么——引用相关理论（碰撞理论、Arrhenius 方程等），将你的发现与学术文献或已知理论联系起来。解释越深入、越具体，得分越高。如果你的结果与预期不符，诚实讨论可能的原因，这同样展示了你对学科的理解深度。
4. 误差与局限分析 (Error and Limitation Analysis)
优秀的 IA 必须诚实地讨论实验或研究的局限性。随机误差（random errors）和系统误差（systematic errors）分别是什么？它们如何影响你的结论？你如何改进？这展示了你的批判性思维——认识到自己研究的局限，恰恰说明你的学术成熟度。IB 考官欣赏那些能够客观评估自己工作的学生。
这四大核心要素共同构成了一个完整的 Analysis。它们不是孤立的步骤，而是相互交织、相互支撑的论证体系。数据处理为趋势识别提供基础，趋势识别引导科学解释，误差分析则验证整个论证的可靠性。理解这种内在逻辑，是写好 Analysis 的关键。
各学科 IA Analysis 的具体要求
科学类 IA——生物、化学、物理
科学 IA 的 Analysis 必须包含：原始数据表（含不确定度）、加工后数据表（含计算示例）、图表（正确标注坐标轴、含误差棒）、统计检验（至少一项，如 t-test、卡方检验、相关系数）、对趋势的科学解释、以及误差来源讨论。记住：每一个数据点都需要不确定度标注，每一张图表都需要清晰的标题和轴标签。常见的扣分点包括：忘记标注不确定度单位、图表坐标轴标签不完整、统计检验选择不当。建议在实验设计阶段就规划好数据收集和分析的框架，而不是做完实验再临时思考如何分析。
For Science IAs (Biology, Chemistry, Physics), your Analysis must demonstrate proficiency in data collection with uncertainties, statistical analysis, and graphing skills. A common pitfall is treating uncertainties as an afterthought — they should be woven into every aspect of your data presentation and analysis. Plan your data table structure before you even enter the lab.
数学 IA——Math Exploration
数学 IA 的 Analysis 侧重于：数学推导的严谨性和完整性、模型的建立与评估、数学与现实世界的联系、以及反思（reflection）。优秀的数学 IA 会展示你在不同数学领域（代数、微积分、统计、几何）之间的连接能力，并讨论模型的适用范围和局限。数学 IA 的 Analysis 不是简单地把公式抄一遍，而是要解释你为什么选择这个模型、模型如何适用于你的问题、模型的局限在哪里。反思部分是数学 IA 的高分关键——你需要诚实地评估你的数学模型在多大程度上能够描述真实世界的问题。
人文类 IA——历史、地理、经济、心理学
人文类 IA 的 Analysis 更像是学术论文的论证部分：你需要评估不同来源的可信度（OPVL 分析——Origin, Purpose, Value, Limitation）、识别不同史学观点或理论流派、构建有逻辑的论证链条、并最终得出有证据支撑的结论。Analysis 的深度在于你能否批判性地处理信息，而非简单地罗列事实。对于心理学 IA，你需要将实验结果与已有的心理学理论和研究进行对比分析；对于经济 IA，你需要用经济模型解释数据趋势，并讨论政策含义。
高分 Analysis 的四大写作策略
策略一：使用分析性语言
避免使用描述性的被动语态。不是"As shown in Figure 1, the temperature increased"，而是"The data in Figure 1 reveals a strong positive correlation (R-squared equals 0.97) between temperature and reaction rate, consistent with the collision theory prediction that..."——这样的表述直接进入分析层面。关键词包括：reveals, indicates, suggests, demonstrates, is consistent with, contradicts, supports the hypothesis that... 这些词汇标志着你在进行分析而非描述。
策略二：将每一个数据点与理论挂钩
IB 评分标准要求你展示"understanding through application"。当你呈现一个数据趋势时，立即解释它对应或偏离了哪个理论预测，并探讨可能的原因。例如，如果你的实验结果与文献值存在偏差，不要回避——这正是展示你批判性思维的机会。解释偏差的可能原因（实验条件差异、测量误差、样本限制等），这比单纯报告结果更有价值。
策略三：分层讨论不确定性
首先在数据层面讨论仪器精度带来的不确定性，然后在方法层面讨论实验设计带来的系统误差，最后在理论层面讨论模型假设的局限性。这种逐层深入的结构展示了成熟的学术思维。每一层都应该具体、量化（如果可能），而非泛泛而谈"可能有误差"。
策略四：使用比较和对比
将你的结果与已发表的文献值（literature values）进行比较。如果有偏差，解释为什么。这种比较展示了你的研究在更大学术语境中的位置。即使你的 IA 规模很小，把它放在更大的学术对话中，能显著提升你的分析深度。引用相关研究（至少 2-3 篇），展示你对领域的了解。
常见错误与避坑指南
错误一：Analysis 写成 Description —— 只描述数据而不解释含义，是 IA 最常见的失分原因。每当你写完一句话，问自己："So what?"——如果答不上来，说明你还在描述而非分析。描述说"温度从 20 度升到 40 度"，分析说"温度升高导致反应速率提高了 2.3 倍，这与 Arrhenius 方程的预测一致，表明活化能约为 45 kJ per mol"。
错误二：忽略不确定度 —— 科学类 IA 中，没有标注不确定度的数据表和图直接扣分。不确定度应在数据收集阶段就记录下来，而非事后估算。每个测量值都应该有一个对应的不确定度范围，这是科学严谨性的基本要求。
错误三：统计方法选择不当 —— 不是所有数据都需要 t-test。理解你的数据类型（连续还是离散、正态分布还是非正态分布）再选择合适的统计方法。用错统计方法比不用更糟。如果不确定，咨询你的老师或查阅 IB 官方指南。
错误四：结论超出数据支持范围 —— 如果你的实验只测试了三个温度点，就不能宣称"在所有温度下"的结论。保持结论的谨慎性，使用"suggests"、"indicates"、"is consistent with"等措辞。科学写作的核心原则是：结论的强度不能超过证据的强度。
错误五：Evaluation 混入 Analysis —— Analysis 专注于"数据告诉了我们什么"，而 Evaluation 是"我们做得怎么样"。不要在 Analysis 段中大篇幅讨论方法改进，留给后面的 Evaluation 部分。清晰地区分这两部分是展示你理解 IA 结构的表现。
IB 评分标准中的 Analysis 维度
IB 各学科的评分标准（Assessment Criteria）对 Analysis 有明确要求。以科学类 IA 为例，Analysis 通常对应以下分数段：
5-6 分（优秀）：数据处理完全正确，包含适当的不确定度处理；图表选择恰当且呈现专业；趋势识别准确且有统计学支持；科学解释与公认理论一致且讨论深入；能够讨论异常数据并给出合理解释。
3-4 分（合格）：数据处理基本正确但不完整；图表存在但缺乏专业呈现（如缺少误差棒或标题）；趋势被识别但解释不足；科学解释存在但未深入讨论；对误差和局限性的讨论较为表面。
1-2 分（有限）：数据处理有明显错误或遗漏；图表缺失或不恰当；趋势未被正确识别；科学解释缺失或与理论不符；几乎没有对误差和局限性的讨论。
了解评分标准的具体要求，可以帮助你有针对性地组织 Analysis 内容，确保每个得分点都得到充分覆盖。建议在写作 IA 时，将评分标准打印出来放在手边，每完成一个部分就对照检查是否满足要求。
从 Analysis 到 Conclusion：建立平滑过渡
Analysis 的最后一两段应该自然地引向你的结论。总结你发现的主要趋势和关系，简要概述你对这些发现的科学或数学解释，然后点出最重要的局限性（这些将在 Evaluation 中详细展开）。这样的结构让你的 IA 各部分之间形成有机的逻辑链条，展现你作为研究者对整体研究过程的把控能力。
一个好的过渡可以这样写："Overall, the data indicates that [主要发现], which aligns with [理论/文献]. However, several factors may have influenced these results, including [主要局限]. These will be discussed in detail in the Evaluation section." 这样的表述既总结了 Analysis 的核心发现，又为后续的 Evaluation 做好了铺垫，展示了清晰的学术写作结构意识。
写在最后
IB IA 的 Analysis 是展示你学术能力的舞台。它要求你不仅仅是数据的搬运工，更是数据背后的解读者。从原始数据到有意义的结论，Analysis 是中间的桥梁——而搭建这座桥梁的能力，正是 IB 教育希望你掌握的核心素养。
无论你正在为科学实验的数据分析而苦恼，还是为数学探索的推导逻辑而困惑，记住：好的 Analysis 始于好的问题——"我的数据在告诉我什么？" 持续追问这个问题，并在你的 IA 中诚实地回答它，你就已经走在高分的路上了。Analysis 不是天赋，而是可以通过刻意练习获得的技能。多读高分范文，多向老师请教反馈，你的分析能力一定会不断提升。
需要 IB 课程辅导？
IB 各科 IA / EE / TOK 一对一指导，资深 IB 考官团队助你冲击 7 分
更多咨询请联系16621398022（同微信）
或截图后用「扫一扫 → 相册」选择本图