01、先看项目：4–5 年制 Quantitative Methods PhD，12 月 1 日截止
这期看的是德克萨斯大学奥斯汀分校教育心理学系的 Quantitative Methods 博士项目。项目官网给出的学制是 48–60 个月，秋季入学，申请截止日期为 12 月 1 日；研究生申请通常在 8 月初开放。它采用 mentor model，申请材料会看申请目标与教师当前研究的匹配度，项目也明确建议在 Statement of Purpose 里点名一到两位潜在导师，并解释为什么匹配。
学费需要把“项目成本”和“奖学金现金”分开看。UT Austin 的研究生学费按居民身份与学分数计费，2026–27 学年非德州居民全日制研究生的年度学费估算约为 17,312–19,340 美元，实际账单仍取决于注册学分。这里的人民币金额按 Harrington Recruitment Fellowship 的现金 stipend 计算，而不是把 tuition、保险或其他福利折算进现金。
Harrington Recruitment Fellowship 面向被博士项目录取的优秀外部申请者，由项目提名，学生不能直接申请。官方列出的 12 个月 stipend 为 45,000–50,000 美元，另覆盖 tuition and required fees、学生医疗保险补助，并有 2,000 美元杂费额度；博士奖项可延续五年，其中三年为完整 fellowship、另外两年由项目支持并由 Harrington 补足 stipend 水平，后续资助取决于学业进展。按 2026 年 9 月 4 日中国银行美元中间价 1 美元约 6.7787 元人民币，用最低现金档 45,000 美元折算约 30.5 万元/年。它是高度竞争性 fellowship，不是所有录取者自动获得。
02、Hyeon-Ah Kang 做的不是“套统计模型”，而是追问测量到底靠不靠谱
Hyeon-Ah Kang 目前是 UT Austin 教育心理学系副教授，同时担任 Quantitative Methods Area Chair，项目页面显示她正在接受新学生。她的公开研究集中在心理测量与计算方法，包括项目反应理论、反应时间建模、认知诊断模型、计算机自适应测验，以及对认知和行为多模态数据的分析。这个组合很关键：问题不是把一个模型跑出来，而是判断一个分数、一个潜变量或一个诊断结论究竟能不能被数据支持。
从课程结构也能看到这种方法训练的强度。QM 博士需要统计基础、心理测量、研究设计，还包括 R 数据探索与模拟；选修里有 IRT、计算机自适应测验、Bayesian analysis、机器学习、因果推断与高级统计建模。对申请者来说，这意味着“会用 R/Python”只是起点，更重要的是能把一个教育或心理学问题翻译成可识别、可检验、可解释的测量问题。
03、点击了多少次也能成为测量数据：2026 年论文把 action count 放进潜变量模型
Kang 在 2026 年发表于 British Journal of Mathematical and Statistical Psychology 的工作，研究技术增强型测验里常见的 action count——例如考生在一道互动题中执行了多少次操作。传统得分往往只保留“最后答对没有”，过程里的操作次数却可能包含能力、策略或效率的信息。论文提出 latent Poisson count models，把计数型过程数据和潜在特质连接起来。
这类研究的价值不在“多收一个变量”。真正难点是：计数数据分布和普通连续变量不同，操作多并不天然代表能力高；有的人反复试错，有的人很快完成，也可能有人因为界面习惯产生额外动作。把这些行为放进测量模型，需要同时处理分布假设、潜在结构和解释边界。对想做 educational measurement 的博士生来说，这是很典型的研究空间：新型数字测评不断产生过程数据，但哪些过程信号能改善测量、怎样验证增量信息，仍需要扎实的方法研究。
04、从一次测验到状态变化：交互日志为什么需要 Latent Markov Model
她与合作者在 2025 年的 Psychometrika 论文进一步处理“测量不变性”问题：当学习者在互动任务中经历不同阶段，观测到的行为模式可能随时间或状态改变，不能默认同一个指标在所有时点都代表同一件事。研究使用 latent Markov model 处理非不变测量与交互日志，让潜在状态的转移和测量过程被同时考虑。
这条线和 action count 其实是连着的。数字学习环境越来越容易记录点击、停留时间、路径、修改行为与事件序列，数据量变大并不自动等于测量更好。相反，过程数据越丰富，越需要说明“为什么这个行为能指向某个心理构念”“这种关系在不同阶段是否稳定”。如果你的兴趣是学习分析、智能测评或 AI 辅助教育研究，Kang 的研究提供的是方法论底座，而不是单纯做预测准确率。
05、什么背景更容易形成真正的研究匹配
更适合这个方向的申请者，往往至少具备一条可以继续深化的方法线：教育测量、心理统计、统计学、数据科学、计量方法，或者在心理学、教育学研究中长期做定量分析。已有 IRT、SEM、Bayesian、纵向模型、因果推断、机器学习或实验设计经验都会有帮助；如果没有，也应当能用一项硕士论文、研究助理经历或课程项目证明自己不仅会调用软件，而是理解假设、估计、模型比较与不确定性。
如果你的背景更偏计算机，也并非不匹配，但最好把问题从“我会机器学习”往测量有效性推进一步：例如如何把日志数据转化为可靠的能力证据，如何评估一个自适应算法对不同群体是否产生系统差异，或者如何在高维过程数据里保持构念解释。相反，只展示模型 leaderboard、缺少教育或心理构念意识，会很难体现和 QM 项目的研究连接。
06、套磁与 Research Proposal：先把一个“可测量的问题”写清楚
项目本身说联系导师不是申请前的硬要求，但 mentor model 让研究匹配非常重要。给 Hyeon-Ah Kang 的邮件不必重复简历，最有效的信息通常是三件事：你处理过什么类型的测量或过程数据；你真正遇到过什么方法问题；这个问题与她的 IRT、过程数据或多模态测量研究如何连接。附上简洁 CV，再用一两句话指向具体研究经历，比泛泛表达“对教育数据很感兴趣”更有信息量。
Research Proposal 也可以从真实的方法矛盾切入，例如：技术增强测验中的操作次数、响应时间与序列信息能否共同提高诊断精度；当任务阶段改变时，测量模型如何允许参数发生结构性变化；或者在自适应测评中怎样同时兼顾效率、公平与可解释性。这些是从她公开研究自然延伸出来的申请方向，并不代表导师已经承诺某个具体博士课题。真正要展示的是，你能把数据现象变成一个有统计定义、也有教育意义的研究问题。
