聖若瑟大學教育学院已在开放博士选题中列出“教育技术与人工智能教育”，导师为Hao Wu。这个机会适合希望把人工智能教育、学习分析、计算机化测评和思维能力研究结合起来的申请者。它不是只讨论工具使用，而是要求申请者把教学问题转成可测量、可验证、可解释的研究问题。
对准备27Fall的人来说，现在最有价值的动作不是等待一条完整的招生广告，而是先围绕公开选题代码、导师近年的测评研究与澳门教育场景，完成一版两页研究构思，并把自己的数据、编程、测量或课堂经验整理成导师能迅速判断的证据。
01｜本期招募简介
教育学院开放选题页列出了DOCSE-2026-05“Educational Technology and AI in Education”，明确标注导师Hao Wu、所属单位为School of Education，关键词包括教育技术、人工智能教育、学习分析、个性化学习与AI素养。申请者既可围绕开放选题提交初步研究计划，也可按博士项目要求提出自己的题目。
本期只按博士机会整理，没有把研究助理写入标题或状态。学校当前公开的是2026/27招生安排，2027年秋季入学的正式开放时间与截止日期尚未公布，具体安排以后续研究生招生页和申请系统为准。准备27Fall的同学可以先阅读导师关于计算机化测评、复杂问题解决和AI生成图像识别的研究，通过官网邮箱发送简历、简短研究兴趣说明与一页选题摘要，并在正式申请开放后按系统要求提交。
02｜导师与课题组
Hao Wu现任聖若瑟大學教育学院助理研究教授，同时担任学院研究协调员。官方主页列出的研究兴趣包括教育中的信息通信技术、计算机化测评与思维能力发展。这三条线并不是彼此分离：技术提供学习与测评环境，过程数据记录学生如何完成任务，测量模型则用来判断能力结构、策略差异与干预效果。
他的公开成果包括复杂问题解决中的行为策略、推理能力测评、跨文化比较，以及2025年关于学生识别AI生成图像能力的研究。2026年的学院合作活动又把人工智能教育与数字素养评估连接起来。因此，申请材料最好同时呈现教育问题意识、数据分析能力和测量有效性意识，而不是只展示会调用生成式AI工具。
03｜核心研究方向
第一，人工智能教育与AI素养。核心问题是学生和教师是否真正理解生成式AI的能力边界、偏差与风险，以及什么样的教学设计能改善辨别、验证和负责任使用能力。可采用前后测、准实验、问卷、访谈和任务表现数据。
第二，学习分析与个性化学习。重点不是简单预测分数，而是利用点击流、答题时序、修改轨迹和策略切换等过程数据，解释学习者为什么卡住、何时需要反馈，以及不同反馈是否对不同学生有效。常见方法包括序列分析、聚类、可解释预测和多层模型。
第三，计算机化测评与思维能力。研究可围绕复杂问题解决、归纳推理、批判性思维和AI信息辨识设计任务，进一步检验题目难度、结构效度、跨群体等值性与公平性。这里需要把心理测量、教育统计和任务设计结合起来，避免把一个漂亮的数字平台误当成有效测评。
04｜哪些背景更适合
教育技术或课程教学背景可以带来真实课堂问题与教学设计经验，但需要补足统计建模和过程数据分析。
心理学、教育测量或统计背景适合承担量表、任务和效度研究，应进一步理解学校情境、教师实施与学习机制。
计算机、数据科学或信息系统背景可以处理日志、文本和交互数据，但需要把模型准确率转成教育解释，补足研究伦理与测量理论。
教师、教研员或教育管理者拥有可落地的场景和招募渠道，申请时要把经验写成可检验的问题，而不是只写多年工作年限。
传播、视觉设计或数字媒体背景若研究AI生成内容辨识，也有切入口，但需证明能做实验设计、编码、统计或混合方法研究。
最关键的共同能力是：能清楚界定学习结果，能说明数据如何产生，能处理未成年人或学生数据的伦理边界，并愿意在小规模试点后再扩大研究。
05｜套磁信怎么写
邮件主题可以直接写“Prospective PhD applicant for DOCSE-2026-05 – AI literacy and learning analytics”。开头两句说明自己的学位、当前研究问题和计划申请季，不需要长篇介绍学校排名。随后点出公开选题代码，并具体连接导师的两类工作：一类是复杂问题解决或计算机化测评中的过程数据分析，另一类是学生识别AI生成图像与AI素养。
正文中提出一个可交流的问题，例如：现有AI素养测评能否同时区分知识、判断策略和实际验证行为；或日志中的犹豫、回看和答案修改能否预测错误信念的变化。接着用三四句证明自己具备所需方法，包括样本来源、使用过的软件、本人承担的环节和已获得结果。
结尾明确请求导师判断题目是否适合其指导范围，并附CV、一页研究构思、代表性论文或项目链接。不要只写“您的研究与我高度匹配”，也不要在第一封邮件索要录取保证或资助承诺。
06｜简历怎么改
简历建议按“研究兴趣—相关研究经历—方法与数据—成果—教育与工作经历”的顺序重排。最相关的项目必须放在第一页，并使用“问题—本人角色—方法/数据—结果/产出—与导师方向的连接”五步写法。
例如，不要只写“参与AI教育问卷调查”，而应写清自己负责量表改编、预测试、样本数量、信度或模型分析，以及研究如何帮助判断学生AI辨识能力。做过平台或编程项目的申请者，应标明日志字段、数据规模、代码语言、模型基线和可复现链接；做过课堂实践的申请者，应量化课时、班级、干预周期与观察指标。
课程列表、泛化的软件熟练度和与本方向无关的活动可以压缩。论文未发表时准确标注working paper、under review或manuscript，不把课程作业写成正式成果。
07｜研究计划选题
以下为基于公开研究方向提出的申请构思，不代表导师已设定题目或承诺指导。
选题一｜多语境下学生识别AI生成图像的策略与AI素养干预。核心问题是：学生能否区分写实图像、艺术图像和经过轻度编辑的合成内容，他们的判断依据是视觉线索、来源核查还是直觉。创新点在于把结果正确率、信心校准、验证行为和解释文本放进同一测量框架，并比较中文、英文或不同课程背景学生的策略差异。可先使用公开或授权生成的图像材料，招募小规模大学生样本，完成任务设计、认知访谈、前后测和初步项目反应分析。第一阶段只验证题目质量和可行性，不急于宣称形成通用AI素养量表。风险在于图像模型快速更新，因此研究应记录模型版本、生成参数与材料时间，并把结论限定在测试任务和样本范围内。
选题二｜基于过程数据的复杂问题解决个性化反馈。核心问题是：计算机化任务中的查看顺序、尝试次数、停留时间和策略切换，能否识别学习者的探索模式，并生成可解释的下一步反馈。创新点不是用黑箱模型预测分数，而是把认知策略假设、序列特征与反馈规则结合，比较“结果提示”“策略提示”和“反思提示”的差异。可利用开源任务框架搭建小型测评，先做二三十人的可用性试点，再扩展到课程样本；方法可包括序列聚类、隐马尔可夫模型或可解释树模型，并通过访谈核对行为标签。第一阶段交付应是任务原型、日志字典、策略编码方案和试点结果。风险是停留时间并不等于思考，必须结合任务事件和口述数据验证解释。
两题相比，选题一更贴近当前AI教育公共议题，材料容易建立，但要防止工具迭代导致结论过时；选题二与导师长期的计算机化测评和复杂问题解决研究连接更深，方法积累价值更高，但数据清洗和行为解释难度更大。申请者应根据自己更强的场景资源与方法基础选择其一，而不是把两题拼成一个过大的计划。
