结论先行：双量表融合最容易做错的一步，是把两份结论加权平均。CARS 与 Gesell 测的不是同一个维度，两份结论不一致不是误差，而是信息。正确处理方式是分维度保留、按观察记录回填、由融合层迭代修正，而不是把两个数字压成一个。
一、两份量表各自测什么
CARS 是行为观察取向的评定量表，围绕人际交往、模仿、情绪反应、身体使用、物体使用、适应变化、视觉反应、听觉反应、味嗅触反应、恐惧、言语沟通、非言语沟通、活动水平、智力水平与总体印象等条目展开，由受过训练的评定者对观察到的行为逐项打分。
Gesell 是发育评估取向的量表，按能区划分：适应行为、大运动、精细动作、语言、个人—社交。它回答的是「这个年龄段应当出现的能区表现，出现了没有、出现到什么程度」。
一个是行为特征的强度评定，一个是发育里程碑的达成判断。两者在同一个孩子身上给出不同方向的结果，是完全正常的。
二、不一致的三种形态
第一种，同向但强度不同。两份都提示存在需要关注的表现，只是一份落在临界、一份落在更明显的位置。这是最常见的情况，处理上不构成冲突。
第二种，一高一低。行为评定显示特征明显，发育评估显示各能区达成良好；或者反过来。这种情况恰恰是最有信息量的——它说明孩子的困难集中在特定情境，而不是整体发育水平。
第三种，互斥。两份结论指向相反方向，且无法用情境差异解释。出现这种情况，首先要怀疑的不是孩子，是数据质量：观察时长够不够、评定者是否受过训练、当天孩子的状态是否异常（睡眠、情绪、身体不适）。
三、处理规则：三条
第一条，不做加权平均。 把 CARS 分数与 Gesell 的发育商压成一个综合分，会同时丢掉两边的信息：既看不出困难集中在哪个能区，也看不出行为特征的强度。合成的数字好看，但没有解释力。
第二条，分维度保留，逐项对照。 输出的应当是两张表并列，加上一份交叉说明：哪些条目两份结论一致、哪些不一致、不一致的具体指向是什么。医生或专业人员需要看到原始结构，而不是一个结论。
第三条，用观察记录回填。 不一致的条目要回到原始观察数据上找依据——那二十分钟里，孩子在哪个环节犹豫、在哪个指令后延迟、动作幅度在什么区间。回填之后，很多「矛盾」会自行解释清楚。
四、AI 融合层做什么、不做什么
融合层的作用是让两份量表互相迭代渗透：用行为评定的结果去校核发育评估中的模糊项，反过来用发育能区的表现去解释行为评定中的异常分值。它做的是交叉验证与权重调整，不是覆盖与替代。
明确不做的三件事：不替换任何一份量表的原始结论、不在数据不足时给出判断、不越过「筛查」的边界输出结论性表述。
在设备端实现上，这套逻辑对应一条完整链路：采集端以 60 帧、16.7 毫秒的单帧周期输出 342 个人体骨骼节点的动作序列，识别准确率 ≥98%；映射层把动作序列投影到两份量表各自的条目上；融合层做交叉校核并输出结构化结果。链路的每一段都可追溯，这是「结论可解释」的前提。
五、输出边界
所有输出都应当明确标注：属于筛查与观察支持，不替代临床诊断。量表本身是筛查工具，AI 融合提高的是信息利用效率，不改变工具的性质。
这条边界不是免责话术，是技术要求。一份报告如果读起来像诊断结论，它就已经越界了；合格的报告应当告诉使用者「我们在哪些条目上看到了什么」，而不是「这个孩子是什么」。
两份量表冲突时，应该信哪一份？ 不该二选一。先回到原始观察记录核对数据质量；数据可靠的前提下，两份结论各自保留，冲突本身作为待解释项交给专业人员。
融合会不会放大误差？ 会，如果融合层对两份结论做简单加权。分维度保留、逐项回填的规则，本质上就是为了避免单一错误在合成时被放大。