让我们继续讨论候选人的GPA。GPA有多重要？招生委员会如何考虑一流大学和较低排名学校GPA之间的差异?

嗯，有趣的是，GPA本身在预测一个人在法学院的表现方面比随机性更好。因此，任何招生委员会面临的挑战是弄清楚绩点应该告诉你什么，并尝试超越它，赋予它更多的意义，而不仅仅是数字。有很多方法可以做到这一点。我们做的一种方法是仔细审查成绩单。

LSDAS （ Law School Data Assembly Service）为我们提供了一个工具，帮助我们开始理解绩点可能意味着什么。例如，它给出了三年期间所有法学院申请者从一所本科学校获得的所有GPA的分布情况。有了这张图表，你可以将某人的GPA输入到该分布中，并找出它适合的位置。这是学校处理那些大量A等级虚高现象的标准差异化评分方法。你可以使用这种分布来找出法学院申请者的平均绩点和中位数绩点，将这些数据与另一所学校的数据进行比较，然后进行适当的调整。

所以，让我们以康奈尔大学的本科课程为例。你所说的意思是LSDAS会给你一张分布图，上面列出了过去三年申请法学院的所有康奈尔本科生的GPA吗?

对。

因此，你看到康奈尔大学本科生3.65的GPA，立即知道他在过去三年中与同龄人相比处于什么位置。

完全正确。这样你的平均绩点就比较了，这很有帮助，因为它能让你对特定情况下的评分因素有个大致的了解。

但这仍然不能客观地告诉你，康奈尔大学本科课程的3.65分与斯坦福大学或乔治城大学本科课程的3.81分相比如何。

这是事实，但LSDAS也为我们提供了一个基本的工具。在你提出的案例中，你试图判断学生群体的各自素质。首先，LSDAS给出了过去三年内从某一院校毕业的所有学生的平均LSAT成绩。有的学校LSAT平均分高，有的学校LSAT平均分不高。因此，这给了你一个非常粗略的衡量某所学校学生群体的质量，以及这些学生群体之间的比较——至少是通过LSAT来衡量的，正如我之前提到的，它并不完美，但它是我们拥有的最好的指标。

那么委员会是否完全阅读每一份文件，或者有没有一种方法可以剔除一些文件?例如，如果有人申请时LSAT成绩为135分，GPA为2.2，是否直接进入拒信堆而不进行审查?委员会如何处理真正低于平均值的文件?

即使是看起来像是异常的文件，也至少会由一个人进行全面审查。我们池中的大多数文件至少会由两个人进行全面阅读。有些文件会由多达七、八个人进行全面阅读。但即使是异常的文件，也至少会进行一次非常彻底的阅读。这是因为我还记得那些我们例行审查一些异常文件的日子，结果它们被证明成为我们拥有过最特别的学生之一。这就是招生过程的奇迹。你总能找到一些可能没有你典型数据的人，但当你查看档案时，你就能看出这个人将成为一个优秀的法律学生，一个优秀的公民，或以其他方式为社会作出贡献。如果我们没有一种方法来穿透所有表面上的指标，如成绩和考试成绩，我们就会错过这些人。别误会，我不是说我们会录取很懂低分异常申请者，但你至少得给他们一个机会。我们不会冒险仅仅靠数字做事而失去他们。再次强调，这是灵活流程的伟大之处之一，他不是公式化的奴隶。

因此，对于那些真正热爱康奈尔大学并希望来这里，但分数低于康奈尔大学目标分数的人，如果他们觉得自己有一个令人信服的故事要将，那么申请仍然值得吗？

当然。特别是如果他们认真观察了我们，并且他们决定我们有一些特别之处——无论是我们的规模，还是特定的学术重点，我们所在的地方，或者无论什么——如果我们的某些特质让他们认为这可能，是他们的地方，那么绝对值得一试。你知道，中位数就是中位数。第25百分位书就是第25百分位数，所以每年都有高于这个分数的人，也有低于这个分数的人。录取决定会受一系列因素的考虑。如果你只是看看这些数字，然后取消自己的资格，你基本上就把矩阵的其余部分都排除在外了。

说了这么多，康奈尔大学是否计算录取指数来帮助你整理文件？

我们不计算录取指数来帮我们组织文件。而是作为我们相关性研究的一个方面。我们使用学生的LSAT和GPA的组合，就像大多数学校所做的那样，并进行分析。每年，我们都会将这一指标与表现进行测试，两者之间存在很强的相关性。这是这样做的的唯一原因，我们不会将其用作排名因素。

那么录取指数是如何计算的，又是如何使用的呢？

LSDAS为我们做了这些。有效性研究表明，LSAT分数和本科GPA的组合是预测法学院表现的最好指标；因此，每年我们都会将每个学生的第一年成绩发送给LSDAS，他们使用这些数据，以及每个学生的本科GPA和LSAT分数，进行分析。通过确定学生的本科GPA和LSAT成绩的相对权重，来预测他们第一年的成绩。每年，我们都会收到这份报告，显示我们的共识应该是怎样的——最优化的系数是多少，以权衡LSAT和GPA,，从而更好的预测第一年的成绩。

那么学生的录取指数是否比其他因素更重要？

你会认为它更重要，对吧？但它不重要，我会告诉你为什么。有效性研究很好，该指数与第一年表现之间存在很强的相关性。但同样，这只是我们考虑的一个方面。我们认为，通过查看成绩单、分析学生所修的课程的严谨性和课程大纲、查看推荐信、查看成绩趋势、查看就读机构，我们可以做的更好。所有这些事情。我们认为我们可以通过自己的努力来提高录取指数的预测价值。数字只能告诉你关于某人的很多信息。

如果你不使用录取指数来排名文件，有4700份申请进来，有没有办法来优先处理文件，排名文件，或者决定哪些文件要首先阅读，以便在滚动录取过程中尽早向最理想的申请人发出录取通知？

总的来说，我们的理论是先进先出。其实这样行不通，因为实际上要复杂的多。我们没有一种直线的方式来评估每一个申请。我们的早期行动计划要求也使情况变得复杂，该计划要求我们在12月中旬之前作出一系列决定。