课题组公开信息和推断
值得申请，但先把招生、奖学金和个人结果分开：Vincent Xian Wang 主页明确招收 PhD student/s，澳门大学 PhD Scholarship 对获奖者提供每月 MOP20,000、最长 4 年；具体名额与个人能否获奖仍由正式遴选决定。
这位导师的特色是把翻译与语言研究同语料库技术、自然语言处理结合。研究问题涉及对比语言、语用、翻译语篇，以及社会事件中的概念隐喻。博士生不是只做文本细读，也不是只跑模型，而要让语言理论、语料设计、标注规则和计算结果互相对应。
新组／招生信号
导师主页写得很具体：正在招收具有语言相关本科与研究生训练，同时具备计算机科学或技术背景、能够使用语料库技术与自然语言处理的博士申请者。这个要求本身就是筛选条件，说明课题需要双重能力，而不是任选一个背景即可。
公开招生是明确信号，但不能据此推断具体名额、导师当前博士人数或固定的指导频率。申请前要用邮件和面试确认预计录取人数、现有组员、是否有共同指导、数据与代码基础，以及入组后第一年最可能承担的任务。
机会与风险
机会在于交叉方向有清楚的工作接口。语言背景申请者可以加强 Python、语料清洗与 NLP 验证；计算背景申请者则要补语言学理论、语用与翻译研究。做得好时，博士生可以把传统人工分析扩展到大规模语料，同时保留可解释的语言学问题。
风险也很具体：语料版权限制可能让数据无法公开，自动标注可能与人工判断不一致，不同语言的分词和句法工具质量不同，概念隐喻本身也需要稳定的编码规则。最常见的问题是模型输出很多，却无法说明它是否真的对应语言现象。
跨学科项目的另一项风险是两边都懂一点，却没有一边足够扎实。语言学申请者需要补 Python、正则、数据框处理和基础 NLP 评估；计算背景申请者则要补语义、语用、翻译研究和人工标注规范。申请前最好完成一个小型语料项目，从数据选择、清洗、标注到验证全部走一遍，用结果暴露自己的短板。
论文中的申请信号
导师近年研究用大数据和语料库语言学方法分析语言属性、语篇以及社会事件中的概念隐喻。申请材料因此不宜只放一个通用大模型项目，更应证明你能定义语料边界、记录清洗规则、设计标注方案、检查标注一致性，并把结果回到明确的语言问题。
博士日常可能包括语料抓取与授权核对、文本清洗、分词和句法处理、人工标注、标注一致性计算、分类或表示学习、统计检验和逐例复核。失败场景包括样本偏差、模型只学到关键词、跨语言工具误差过大，或理论类别无法被稳定操作化。
判断论文是否适合自己，可以看作者如何把抽象概念变成可重复操作。例如概念隐喻研究需要先定义类别，再决定由谁标注、如何处理分歧、怎样计算一致性，最后才进入统计或模型比较。申请者若能在研究计划里提前写出这一套流程，会比泛泛承诺使用“大模型与大数据”更接近博士工作的真实要求。
邮件与面试问题
邮件第一段直接说明双重匹配。例如语言学背景可以写自己已有语料研究与 Python 处理经验；计算背景可以写一个跨语言 NLP 项目，并说明如何做人工验证。CV 不要把几十个工具堆在一起，保留能证明语料构建、标注与模型评估的完整项目。
面试至少问：本轮计划招几名博士、现有语料与代码能否使用、数据许可怎样处理、主要语言与任务是什么、导师希望博士第一年完成什么、反馈频率如何。Research Proposal 可以限定一种语言现象、两种语言或语域，再设计人工与自动分析的结合方法。
还要准备一个具体样例证明自己能跨两种方法工作。例如选取一小批双语文本，先建立人工编码规则，再用简单分类模型测试可扩展性，最后逐例检查误判。即使结果一般，这种完整流程也能让导师判断你是否理解语料质量、理论类别与模型输出之间的关系。
学校资助／项目奖学金
澳门大学 PhD Scholarship 面向全日制博士申请者。官方页面写明，每位获奖者可获得每月 MOP20,000，最长 4 年；学费会在月津贴发放前抵扣。申请者需要在提交博士项目申请时同时申请奖学金，最终结果由大学层面的遴选委员会决定。
因此，标题里的 MOP20,000 是奖学金制度金额，不是所有录取者的固定到手收入。申请前集中确认个人是否被提名或获奖、扣除学费后的实际现金流、续奖条件、其他助研或助教安排，以及超出正常周期后的经费。导师公开招生支持“有机会”，但不能替代个人资助文件。
预算时不要直接把 MOP20,000 当作每月可自由支配收入。官方页面明确写明学费会在津贴发放前抵扣，还要另算住宿、保险、交通和研究支出。申请者应根据自己的 offer 核对实际扣款方式、发放月份、续奖审核以及助研助教安排，再判断这套资助能否覆盖完整博士周期。
