香港教育大学的研究型博士目前有一个很具体的时间窗口：2027年1月入学的申请截止到2026年9月11日。英语教育系也明确写明正在寻找博士申请人，并把Ju Seong Lee列在potential supervisors中。对想做语言教育、数字化学习或AI辅助语言学习的人，这不是一个只看“教育学大方向”的项目，而是可以把研究问题直接落到学习行为、教学干预和真实教育场景。
数字英语学习的研究问题与方法设计
Ju Seong Lee的工作覆盖计算机辅助语言学习、非正式数字英语学习、学习者情绪与福祉，以及技术、注意力和学习等主题。近期项目又把AI媒介下的英语口语练习、资源相对不足地区的语言学习放进真实场景。你读他的项目会发现，研究并不是简单比较“用了AI”和“没用AI”，而是要解释学习者为什么改变、哪些变量在起作用、干预能否持续。
这也决定了申请材料的重点。研究计划最好从一个可观察的问题出发，例如学习者在某种数字环境里为什么愿意或不愿意持续开口、教师支持如何改变自主练习、情绪变量怎样影响参与度。然后再说明你准备怎样收集证据：问卷、访谈、学习日志、语料、课堂观察或混合方法都可以，但方法要服务于问题。
Research Postgraduate Studentship 的资助规则
学校的Research Postgraduate Studentship对获录取的全日制UGC资助研究生自动纳入考虑，基础RPGS为HK$19,100/月；博士通过候选资格后，标准提高到HK$19,600/月。这里的关键词是“纳入考虑”和“按学术表现评定”，不是录取后无条件固定发放。后续年度也会根据表现评审。
这套机制对申请材料提出了一个很现实的要求：你的研究潜力必须在提交时就能被看见。成绩单只是基础，真正拉开差距的往往是研究问题是否清楚、已有经历是否证明你能独立处理数据或现场材料、研究计划能否与潜在导师已有项目形成合理连接。
Ju Seong Lee 的研究方向与博士训练路径
他是英语教育系副教授及博士潜在导师，研究项目和论文都持续围绕数字英语学习、学习情绪、口语参与和AI媒介学习展开，并曾获校长杰出青年研究奖。这样的研究轨迹意味着学生进入组后，比较容易形成连续的问题链：从理论框架到测量设计，再到真实教学情境中的干预与解释。
如果你已有教育、语言学、心理测量、数据分析或教育技术背景，不必把自己包装成“什么都会”。更有效的做法是选一条你最能证明的能力线：会做扎实的定量，就把变量设计和统计思路写清楚；擅长质性，就展示编码、访谈和理论抽象；有产品或教学经验，则说明你怎样把真实问题转化成可检验的研究设计。
学习者变量、研究设计与实践经验
英语教育研究很容易写成技术功能介绍，比如某个平台能做什么、某种AI工具能提供什么。但博士研究真正关心的是学习者在什么条件下发生变化。你可以把目标人群、学习环境、任务频率、教师介入和情绪体验这些变量放进同一张逻辑图里，再决定哪些需要测量、哪些需要访谈、哪些可以从行为数据中观察。这样研究计划会从“工具应用”变成“机制研究”。
如果已有课堂或教学实践经历，也不要只写教学年限。更有价值的是展示你发现过什么具体问题、做过怎样的调整、学生反应出现了什么差异，以及你后来意识到哪些现象需要更系统地研究。实践经验一旦被整理成可验证的问题，就会自然转化为博士研究的起点。
还可以提前区分“结果变量”和“过程变量”。语言成绩、口语表现属于结果，但学习动机、焦虑、愉悦感、参与度和持续练习行为可能解释为什么结果发生变化。Ju Seong Lee现有研究正好大量涉及这些过程，因此申请计划如果只停在最终成绩，反而会显得研究链条不够完整。
方法训练上，也要提前考虑研究对象能否长期参与。教育场景里的样本并不像公开数据集那样稳定，学校安排、教师配合、学生出勤都会影响数据。一个成熟的博士计划会给出备选路径：核心变量如何保留、样本不足时哪些问题还能回答、定量和质性证据如何互相补充。能意识到这些现实约束，本身就是研究训练的一部分。
申请这个方向，最后要回答的不是“AI能不能用于教育”，而是你能否把一个具体学习问题研究到足够细。只要问题、证据和导师的研究语境能够接上，教育学博士的训练就会从泛泛的理念讨论，转向真正可积累的研究能力。
