01、先看项目：3-4年制PhD，2027/28申请已开放
现实申请层面，这个项目目前处在活跃窗口。创新创业与公共政策PhD官方全日制学制为3年或4年：已有相关研究型硕士通常按3年，没有相关研究型硕士通常按4年。学校公布的2027/28秋季PhD申请已经开放，并说明会滚动发放录取，因此“什么时候把材料准备到可提交状态”本身就很重要，没必要为了等最后截止日期才开始联系和整理研究计划。
02、奖学金怎么理解：PGS约18万元/年，但不等于免学费
资助部分要特别分清“奖学金金额”和“实际教育成本”。全日制MPhil/PhD学生会自动进入PGS评审，PhD当前PGS标准为15,000元/月、最长4年，按12个月年化就是标题里的18.0万元。与此同时，PGS并不等于学费豁免；学校公布的2027/28有PGS研究型博士学费为60,000元/年。所以18.0万元应理解为现金studentship的年度名义金额，而不能直接写成“每年净到手18万”。最终资助、录取与缴费仍以学校正式文件和个人offer为准。
03、许珂维在研究什么：AI如何真正进入公共治理
如果你本来学公共管理，看到“AI治理”这几个字，可能会有两种相反的担心：一是觉得这个方向已经变成纯计算机，自己没有位置；二是觉得所谓AI只是给传统政策研究加一个时髦标签。许珂维的研究刚好落在这两种想象中间。真正吸引人的地方，不是他把机器学习搬进公共管理，而是他一直把技术放回政府组织、公民需求、服务效率与公平这些传统而具体的治理问题里。
许珂维（Corey Kewei XU）现任香港科技大学（广州）创新创业与公共政策学域助理教授。学校当前教师页面显示，他拥有公共行政与政策方向博士训练，研究横跨公共管理、政策、城市研究与数据科学，方法上使用机器学习、文本分析和网络分析，关注公民参与、政府决策、公共服务效率与公平。换句话说，他不是先选一个热门模型再去找应用场景，而是先面对一个真实的公共管理难题，再判断数据和计算方法能否帮助回答。
04、81万条市民咨询：AI能否让政务处理更高效？
这一点在他和合作者近期关于政府问答系统的研究里非常明显。论文处理的并不是一个宏大的“AI政府”概念，而是政务服务里每天都会发生的实际流程：大量市民咨询进入系统后，需要识别问题类别、判断关键属性，再被分派给能够处理的部门。如果分类不准，咨询就可能被反复转派；如果部门负荷极不均衡，即使回答质量不变，等待时间也可能持续增加。
研究使用了812,322条公民咨询。团队用BERT类模型处理问题分类与属性预测，相对基线取得约5%–10%的提升，随后再通过匹配算法来改善问题与部门之间的分配，从而减少人工转派、等待时间以及部门负荷不均。数字本身当然重要，但更值得申请人注意的是研究链条：文本模型只解决“读懂问题”的一部分，后面还要回到行政组织，处理谁来接、怎样分、什么叫更有效率。
05、效率之外，还有制度、公平与公民感受
从申博角度看，这种研究路线对“跨学科”提出的要求其实比一句“AI+公共管理”更高。公共管理背景的学生通常更熟悉制度、部门职责、公民服务和政策执行，却可能需要补充文本分析、机器学习与数据处理；计算或数据背景的学生可能很会建模，但必须学会把行政流程视为制度安排，而不是一个干净的数据管道。模型准确率上升，并不自动等于治理改善，因为错误分类的成本、资源分配是否公平、不同群体受到的影响，都可能继续成为公共管理问题。
这也解释了为什么写研究计划时，最好不要从“我想研究AI治理”起笔。更有力量的做法是先拿出一个可观察的公共服务场景：例如市民投诉为什么频繁被分错，某类议题为什么总被多个部门来回转派，哪些文本表达容易造成系统误判，服务速度提高以后是否会牺牲某些群体的可达性。问题先具体下来，机器学习才会从装饰词变成研究工具。
许珂维与合作者在另一项数字政府研究中还讨论过政府基于情绪的回应策略与公民满意度。这个方向和前面的自动分类看起来不同，但放在一起其实能看到一条一致的主线：政府不只是“处理一条信息”，还在与公民互动。回应速度、回应方式、情绪表达和制度责任都可能影响公众如何理解政府服务。因此，数字治理研究最后仍会落回人的感受、组织约束和公共价值，而不是把自动化本身当作终点。
如果把这两类研究放到PhD课题设计里，可以想象的研究空间并不少，但这里说的是基于其现有方向的申请思路，并不是导师已经公布的具体招生题目。你可以从政务咨询、投诉处理、城市治理或政府回应中挑一个真实场景，研究文本数据怎样帮助识别需求；也可以进一步追问，当算法进入部门分派和决策支持以后，效率、公平与问责之间会出现什么张力。对公共政策申请人来说，这比泛泛写“AI赋能政府”更接近可执行的博士问题。
06、什么背景更适合申请许珂维？
什么样的背景会更容易把这个方向讲清楚？公共管理、公共政策、政治学、城市研究等社会科学背景，如果已经接触过量化研究、文本数据或编程，会比较容易展示“问题意识+方法准备”；数据科学、计算社会科学或计算机背景，如果有真实的公共部门数据经验，并能解释制度环境和公平问题，也有切入空间。关键不在本科或硕士专业名字是否完全一致，而在于你能否把研究问题、数据、方法和公共价值串成一条逻辑链。
07、套磁与Research Proposal：别只堆“AI治理”
套磁材料也可以按这个逻辑准备。第一段不要急着堆模型名，而是用很短的篇幅说明你过去处理过什么公共问题；第二段说明你从什么数据或经验中发现了一个尚未解决的机制问题；第三段再交代你为什么需要文本分析、机器学习、网络分析或因果识别等方法；最后才把自己的问题与许珂维现有的公共服务、政府决策和数字治理研究连接起来。这样导师看到的是一个能继续发展的研究者，而不是一份关键词匹配表。
如果你准备申请这一组，最值得先做的不是再给个人陈述加几个“AI”“数字化”“智慧治理”，而是把一个公共管理问题缩小到可以研究的程度：谁遇到了什么服务障碍，现有流程为什么解决不了，数据能记录到哪一步，算法介入后怎样评估效率与公平。能把这几件事讲清楚，你的材料就会自然地与许珂维目前的研究方向靠近，也更容易让人看出你读PhD到底想解决什么。
