翻这位老师近三年的论文翻到第四页时我才反应过来一件事。他主页上还挂着 Bayesian Knowledge Tracing、Deep Knowledge Tracing 这一脉的早期方向，但近两年通讯作者论文里，BKT 出现的频次明显下来了。取而代之的是 generative AI 怎么辅助 community college 学生做 course-to-course articulation、AI tutoring system 怎么部署在 chemistry 和 math 课上、还有一篇发到 Science 上的高等教育 pathway 工作。
看通讯不看一作。一作很多时候是学生，通讯才能看出他自己在意什么。所以如果你按他主页上的旧关键词写 proposal——比如还在写 BKT 的扩展或者 DKT 的新模型——大概率会写偏。不是说这些方向不能做，是组里现在的注意力不在这里。
先说结论：这不是一个能广撒网的组
他在 UC Berkeley 教育研究生院做副教授，同时在信息学院有联聘，自己带的实验室叫 Computational Approaches to Human Learning，简称 CAHL。组的位置比较特殊——它不在 EECS，但做的事跟 EECS 的 HCI、ML 组有大量交叉。所以如果你来自纯教育背景、CV 里没有任何代码或数据分析的东西，老实说会比较吃力。反过来，如果你来自计算机或者数据科学，对教育场景没有过认真接触，proposal 容易写得像把一个 ML 方法硬套到 MOOC 数据上。两边都会有问题。
我之前有个学生背景跟这种偏跨学科的组挺像——CS 本科加上一段在 Khan Academy 的实习——她当时就是用那段实习里碰过的真实学生交互日志做了一个小研究，写在 proposal 的前两段，老师回信很快。这只是个例，但能说明一件事：让导师在邮件第一段就看到你接触过教育现场，比堆 ML 课表有用。
主页和近期论文之间隔着一条线
翻 Google Scholar 把他近三年通讯作者的论文列出来，能看到两条主线。一条是AI-assistive tools for higher education pathways——AskOski、Equivalency Engine 这一脉，做的是让 community college 学生看到自己当前选的课能怎么对接到四年制大学的学位。这个方向 2023 年有一篇被 Science 接收的工作，引用涨得比较快。另一条是OATutor 这个开源 adaptive tutoring system，他们组主导，把 BKT 这一类老方法做成开箱即用的研究工具，吸引其他研究者用来跑实验。两条线背后的共同主线，我个人理解是"让 AI 真的部署到学生身上，而不是停留在论文里"。
这个线索对 proposal 的影响很大。如果你写"用 LLM 改善 knowledge tracing 准确率"，这个题目本身没错，但和组的近期重心隔得有点远——他不再把建模精度作为主要 outcome 了。更贴近组里现在的写法是：选一个 pathway 任务（比如 transfer 课程匹配、prerequisite 推荐、错题→学习资源推荐），给出一个能部署且能被真实学生使用的设计，再讨论评估指标。
代表论文（近三年通讯作者）
A Large Language Model–Based Course-Articulation Tool for Community CollegesScience 子刊方向工作 · 2024把 LLM 用在 transfer 课程的等价性判断上，部署在 California Community College 系统。判断依据已经不只是论文方法本身，而是它能不能扛得住实际部署的边界条件。
pyBKT: An Accessible Python Library of Bayesian Knowledge Tracing ModelsJournal of Educational Data Mining · 2023这是把 BKT 工具化，让别的研究者方便使用。一作通常是博后或博士生。我自己看的时候第一反应是"这条线已经收尾了"，重点正在转向 OATutor。
OATutor: An Open-Source Adaptive Tutoring SystemLearning @ Scale / SIGCHI 系列 · 2023-2024开源、可扩展、有创意 commons 内容库。今年开始做的是把生成式 AI 接到这个底座上做反馈生成。如果 proposal 能写出"我想在 OATutor 上做某某实验"，亲切感会高一个档。
为什么这个组今年大概率能进人
主要看几个信号叠加。一是 NSF AI 教育奖在执行期内，论文致谢里能看到至少 2-3 个不同的活跃 grant 编号。二是 OATutor 拿到了 Tools Competition 的相关资助和 Berkeley 校内的微 grant 续期，部署量明显在扩。三是教育研究生院和信息学院双 affiliation，意味着学生可以从两边申请，名额池子比纯教育学院大。但要说"在招几个 PhD"——这条我没把握，UC Berkeley 不像欧洲那样把 position 公开挂网。比较稳妥的判断是：今年大概率不会缺名额，但筛得很严。
说到 funding 这个事我想起来——US 这边的资助结构和欧洲完全是两套话。你要分开看几件事：一是 Berkeley 教育研究生院给所有录取 PhD 的基础包，通常涵盖学费减免加一份 RA/TA stipend，年薪 38000-44000 美元这个范围，包多年但具体细节看院系当年 budget；二是 NSF GRFP 这一类外部奖学金，如果你有，等于自带 funding 进组，导师层面的接收概率会高一截；三是导师自己 grant 里的 RA 名额，能不能直接走他的项目经费要看那一年 grant 现金流；四是 Berkeley AI Research、CITRIS 这一类校级中心给跨学科学生的小额补充。这几件事不能混着看。
RP 怎么写：从大题缩到能做的题目
很多人卡在 RP 第一页，是因为题目还停在"生成式 AI 如何影响高等教育"这种口号层面。这种题目不是写错，是没缩到能做的尺度。先缩成一个能做的题目。给你一个示例的缩法：
缩题示例 · 推荐方向 1
对象：社区学院学生在选 transfer 课程时的犹豫场景。材料/数据：CCC 公开的课程描述与等价性记录 + 学生在 articulation tool 上的点击日志。方法：用 retrieval-augmented LLM 做课程描述对齐，并对比传统 keyword matching。可追问的问题：等价性判断的 false positive 对学生选择的下游影响如何评估？
缩题示例 · 推荐方向 2
对象：OATutor 上做数学题时反复卡在同一类型题的学习者。材料/数据：OATutor 已部署课程的步骤级日志。方法：LLM 生成 hint，与人工 hint 在学习曲线上的对比实验设计。可追问的问题：hint 的语言风格如何影响 self-regulation？
我会避开的两个方向
第一，纯做 BKT 或 DKT 的模型改进。这个方向他自己当年是奠基者之一，但近两年通讯作者里这条线几乎不再出现新题目，而是在做工具化。继续在这个方向上往深做，组里能给的指导密度可能不如你想象。第二，"用 LLM 当数据 labeler 来扩充 MOOC 数据集"这种工具性任务，听起来贴 AI，但和组的部署导向不在一条线上。不是不能做，只是写在 proposal 第一页会显得没踩到他在意的点。
邮件第一段怎么写
不要从夸 Berkeley 开始。第一段直接写你做过哪个问题、用了什么方法、产出了什么。第二段再写你读到他哪一类工作——尽量具体到一篇近两年的论文，并说出你为什么觉得这个工作值得 follow（不是夸"很有启发"，是说出方法上你的疑问或下一步想法）。第三段再写你想把题目缩到哪里。我看过很多套磁邮件，能让导师停下来读完的不到十分之一，差异基本都在第一段。
奖学金与 Funding 拆分
把这件事分四层来看，混着看容易判断失误：
学校奖学金（L1）：Berkeley 教育研究生院对 PhD 的标准包通常包含全额学费减免 + 9 个月或 12 个月 stipend，年薪 38000-44000 美元，多年期，具体年限按院系当年规则。健康保险通常涵盖。
研究生院 fellowship（L1）：Berkeley 校内有 Chancellor's Fellowship、Berkeley Fellowship 等竞争性奖学金，第一年无 TA/RA 义务，时长 1-2 年。
学院/院系名额（L2）：教育研究生院和信息学院在不同年份对联聘导师的招生名额分配并不固定，需要在套磁阶段明确"你是从哪个学院申请"。
导师项目经费（L2）：NSF AI 教育奖的 RA 名额、OATutor 项目相关补充资助。这部分要看导师本年现金流，不挂在公开页上。
还有一类是 NSF GRFP、Knight-Hennessy（虽然在 Stanford 但同一池子的学生人群）、Schmidt Sciences 这类外部奖学金，能拿到的话基本是 plus，不能拿到也不影响导师录取判断。
如果你 GPA 不够亮怎么办
坦白讲，Berkeley 教育研究生院近两年大陆背景的录取案例里，GPA 高于 3.5、有一段教育现场或者 EdTech 工作经验的同学占多数。但 GPA 低一点不是死刑——我看到过 3.3 但有一段在 K-12 学区做数据分析、一段在 Coursera 类公司做产品研究的同学拿到 admit。关键是邮件和 RP 能不能把"你做过教育现场"这条说清楚。
CV 里不要只写项目名称和岗位名称。补三件事：你处理过什么类型的学习数据、用了什么方法、最后产出了什么——是发了一篇论文、做了个 demo、还是写了一份内部报告都可以。只要这三件具体起来，老师就能判断你到底在做什么。
参考信息：UC Berkeley 教育研究生院官网（bse.berkeley.edu）、CAHL 实验室页、导师 Google Scholar、相关公开论文。数据截至 2026 年 5 月。如有变动以官方为准。本文为内容分析，非招生信息，最终以学校官方公告为准。
