读一位公共卫生方向导师的研究，最容易出现的误会是什么？我觉得不是专业名称太陌生，而是看到“流行病学”和“数据分析”，就以为对方主要是在训练一个预测模型。真正往下读论文时，才会发现研究者想回答的问题比“预测得准不准”更难一些。
天津大学卫生应急学院的曹春霞副教授，研究兴趣包括伤害流行病学、传染病流行病学、健康相关数据分析等。这样的简介很容易同时吸引医学、统计和计算机背景的申请者。但如果只是把这些方向放进一封套磁邮件，其实还没有真正开始了解她的研究。
我会先把她的论文拿出来看，而不急着列自己学过哪些软件。其中一项发表于《BMJ Open》的研究，讨论天津环境温度与意外伤害经济负担之间的关联，并采用病例交叉研究设计。这个题目值得细读的地方，不是“天气会不会影响健康”这句常识，而是研究者怎样把温度、伤害事件与负担变成可以比较的证据。
例如，假如观察到高温时某类意外伤害相关负担发生变化，不能马上把它当成简单因果关系。人们的出行和活动可能随天气变化，不同季节也有各自的特点。病例交叉设计让我们注意到，研究者需要认真安排比较窗口，尽量辨别同一个研究对象在不同时间条件下的暴露差异。这里是在解释研究设计的逻辑，并不是替这篇论文声称某一个具体效应大小。
再看她参与的另一项研究，问题变成了城市、近郊与乡村急救医疗服务供需之间的差异。表面上它同样会用到数据，背后却有完全不同的观察对象：不是让一个算法把所有人分成高风险和低风险，而是理解哪些地方可能出现资源与实际需求不相称的情况。
把这两项研究放在一起，我会得到一个很明确的导师调查结论：如果申请者只喜欢算法本身，对人群、暴露、服务可及性以及研究设计毫无兴趣，那么“我会机器学习”并不足以说明这里是理想的博士方向。反过来，如果有人以前做过临床数据清理、时间序列分析或社区健康调查，也不必因为自己没有一个标准的“流行病学”学位名称就把自己排除在外。
不过，具体怎样联系，还得看做过的事情是什么。假设一个统计背景的申请者，硕士课题是预测某类医疗事件发生的概率。我不会只看模型名称，而会追问：数据如何采集？指标有没有明确定义？缺失记录怎样处理？不同年龄或地区的人群，能不能被放在同一套假设里比较？这些回答比一句“熟练掌握Python”更接近流行病学研究真正关心的证据质量。
如果申请者来自临床医学，经历也可能刚好相反。他熟悉伤害和急诊场景，却不一定系统处理过人群层面的数据。那就应该检查：以前有没有把个别病人的经验转成一组可验证的研究问题？理解结局指标、对照和偏倚到什么程度？不要为了让履历看起来跨学科，把尚未具备的统计能力写得很满。
对这位导师的调查，最后并不会变成一个简单的“哪些专业可以申请”名单。更有价值的，是从她本人署名的研究里看出：论文里的对象是什么，哪一种比较支持结论，为什么选那个方法，以及研究结果最终想帮助理解什么现实问题。判断到这一步，申请者才有可能知道自己的经历中哪一段值得展开，哪一段只是词语相似。
还有一点特别重要。读一项关于伤害负担的研究，和读一项关于急救资源供需的研究，可能会让同一个人发现自己对其中一种问题格外有耐心。博士申请不只是证明自己“做得到”，也得想清楚未来几年是否愿意不断追问这类问题。若答案仍很模糊，不妨先挑一篇曹春霞副教授确实参与的论文，把研究对象、比较思路和自己能够补上的能力写清楚，再决定要不要继续准备。
