真正的问题
James 是奥克兰CBD一所英语语言学校的教学主管。120个学生，六个级别，四间教室，八名教师。每天早上，教师用纸质点名册记录出勤。每周结束时，行政助理把出勤数据录入 SELMA。周一，James 查看数据。
三周前，一个叫 Yuki 的日本学生停止来上课了。第一周她出勤不稳定，来一天，缺两天，然后就完全不来了。等 James 在周报数据中注意到这个趋势时，Yuki 已经连续缺席五天了。他发了邮件，没有回复。打了电话，语音信箱。他联系了她的寄宿家庭，家庭说她一直待在房间里，吃得也不多。
原来 Yuki 正在经历孤独感和文化冲击。她没有告诉任何人，因为她不想给别人添麻烦。如果有人在第二天就注意到了，他们可以把她介绍给学校的牧灵关怀协调员，安排一次与日语辅导员的对话，或者简单地邀请她参加一次学生活动。但实际上，在任何人发现之前，她已经独自在房间里待了整整一周。
这种情况并不罕见。行业数据显示，英语学习者的退学率高达25-27.5%。学生脱离接触的时间越长，退学风险就越大。而在新西兰，学生出勤不仅是学术问题，还是签证合规要求。
新西兰移民局要求语言学校追踪和报告学生出勤。如果持学生签证的学生出勤率低于规定阈值，学校有义务进行报告。未能准确追踪和报告会危及学校的 NZQA 注册资格。已经有学校因合规失败而被注销注册。
大多数学校都在追踪出勤。但很少有学校实时分析出勤数据。数据存在表格或学生管理系统中，每周或每月查看一次，总是事后才发现问题。等有人注意到某个趋势时，学生已经离开了。
为什么现有工具解决不了
SELMA SIS 在记录出勤和生成合规报告方面表现出色。它追踪学生课时、计算百分比、产出 NZQA 要求的数据。但 SELMA 是一个记录保存系统，不是预警系统。它告诉你发生了什么，不告诉你即将发生什么。
Class by Infospeed 同样追踪出勤并可以标记低于阈值的学生。但标记是在学生已经低于要求百分比之后触发的，而不是在趋势形成之时。
Moodle 和 Canvas 追踪在线学习材料的参与度，但大多数新西兰语言学校以面授课程为主。LMS 参与数据无法捕捉那个虽然来上课但已经心不在焉的学生，或者那个缺了两天即将缺第三天的学生。
教师手动监控在规模化时不可靠。一个教师上午有15个学生、下午又换了15个，可以注意到某个学生看起来比较安静，但他们无法系统性地追踪所有学生的长期趋势。更不可能将出勤与考试成绩、作业提交和社交活动参与度进行交叉分析。
新西兰语言学校市场上，没有现成的工具能将出勤数据与行为模式结合起来，在学生真正消失之前预测哪些学生有脱离接触的风险。
AI 如何解决
学校将出勤数据（来自 SELMA、Class，甚至是简单的每日表格）连接到 OpenClaw AI 助手。AI 每天分析数据模式，在学生行为显示出风险信号时生成警报。
周二上午9:30，AI 发送通知给 James：
学生风险预警：田中 Yuki（四级，日本）
出勤趋势：100%（第1-3周） > 80%（第4周） > 60%（第5周，本周） 模式：本周一和周二缺席。上周四和周五缺席。 考试：最近两次周测分数45%和38%（此前平均：72%） 作业：最近3次作业未提交 风险等级：高
建议措施：
- 今天进行牧灵关怀谈话（可安排日语支持）
- 与四级任课教师进行学业回顾
- 出勤率目前78%。NZQA 阈值为80%。本周再缺两次将触发报告要求
James 在周二上午就看到了这个预警，而不是下周一。他走到牧灵关怀协调员的办公室。中午之前，有人在联系 Yuki。周三，她与一位日语辅导员见了面。周四，她带着一个调整后的支持计划回到了教室。
AI 监控什么
系统跨多个维度追踪每个学生：
- 出勤模式：包括按星期几的趋势、迟到和早退
- 学业表现：周测、级别评估和教师评价
- 作业提交：完成率和及时性
- 社交参与：如活动参与和校外考察出席情况
- 签证合规阈值：根据 NZQA 要求实时计算
AI 不仅标记已经低于阈值的学生。它识别下降趋势，预测哪些学生正在走向脱离接触。
自动合规报告
除了预警之外，AI 还自动生成：
- 每周出勤摘要：按级别、国籍和签证类型分类
- NZQA 格式的出勤报告：可直接提交
- 签证合规警报：当学生接近报告阈值时提醒
- 年度汇报数据：按 NZQA 提交截止日期预先格式化
过去行政团队每周五需要一整天才能完成的工作，现在只需15分钟审核。
我们如何搭建这套系统
如果AI只是一个独立的分析工具，与你的实际学生数据没有连接，那它就没有意义。这就是为什么 BestAI 会构建一个定制集成程序，将AI助手与你日常使用的系统连接起来。
对于这类项目，这意味着：
- 将AI连接到你的学生管理系统（SELMA、Class 等），获取实时出勤数据
- 设置每天自动运行的分析程序
- 根据学校政策和 NZQA 要求配置预警阈值
- 为教学主管和牧灵关怀团队搭建仪表板
- 集成邮件和短信通知，用于紧急警报
我们的流程：
- 梳理数据源 - 我们确定你的出勤、考试和学生信息目前存在哪里，数据如何流动。
- 建立连接 - 我们的开发人员编写定制程序（API 连接器），让AI安全地实时访问你的学生数据。
- 配置你的阈值 - 每所学校的政策不同。我们根据你的具体出勤要求、签证合规阈值和学业基准设置警报。
- 测试和优化 - 我们让系统与你现有的流程并行运行两周，将AI警报与人工观察进行对比，然后再全面部署。
你不需要懂技术。**所有开发工作都由我们完成。**你只需要告诉我们你想捕捉什么样的异常模式，我们来搭建能捕捉它们的系统。
最终效果
- 比人工监控提前3-5天识别高风险学生
- 牧灵关怀干预在还能起作用的时候就发生了，而不是学生已经退学之后
- NZQA 合规报告自动生成，数据准确、实时
- 出勤追踪从每周一天缩短到每周15分钟
- 签证合规警报防止报告失误，保护 NZQA 注册资格
- 学生留存率明显提升，因为早期干预在足够早的时候确实有效
对于一所学生每周缴费NZ$400的学校，每个通过早期干预多留4周的学生代表NZ$1,600的收入。每学期留住5个学生，就是NZ$8,000的保留收入，加上一个得到了所需帮助的学生。
AI 做不到的事
- AI不会辅导学生。它识别谁需要帮助，你的牧灵关怀团队提供实际支持
- AI不会做签证决定或向移民局报告学生。它在阈值接近时发出预警，你的合规团队决定采取什么行动
- AI不会推翻教师的评估或学术判断
- AI不会直接联系学生。沟通永远由认识学生的工作人员发起
- AI不会诊断脱离接触的原因。它发现趋势，人与人之间的对话才能揭示原因
适合哪些学校
- 50人以上的语言学校，人工监控无法覆盖每个学生的趋势
- 曾在 NZQA 出勤报告中遇到合规问题的学校
- 每周查看出勤数据却希望能早点发现问题的教学主管
- 学生签证比例较高的学校（出勤追踪是法律义务）
- 任何曾经失去一个学生、事后觉得"如果三天前就找她谈谈就好了"的学校