有时候，越认真准备申博，越容易被一份看起来十分完整的导师名单困住。名字查了，论文数量看了，研究方向也写进表格：流行病学、传染病、公共卫生。可等到真正要决定申请谁，心里反而没底。因为这些关键词只告诉我们教授大致研究哪个领域，还没告诉我们，他究竟怎样把一个问题研究清楚。
香港大学公共卫生学院的高本恩教授（Benjamin J. Cowling），就很适合拿来做一次这种深入的导师调查。他的官方研究介绍明确提到传染病流行病学，长期研究流感在社区中的传播，以及呼吸道病毒传播方式、疫苗保护效果和人群感染免疫。看到这里，很多做过统计、医学或者公共卫生课程的申请者都会觉得方向熟悉。可熟悉不等于已经理解。
我会继续往下看他真正参与的研究。一篇2025年发表的论文，讨论家庭中流感患者的病毒排出、年龄、症状和个体传染性之间的关系。这里最有意思的不是“研究了流感”四个字，而是论文把我们日常容易混在一起的概念分开了：检测到病毒、表现出症状，以及实际把病毒传播给别人，并不是同一个测量对象。
比如，一个人病毒排出量较高，是否就意味着他一定更容易传染家人？年龄与症状可能同时影响观察到的结果吗？要回答这些问题，研究者不仅需要检测数据，还要把家庭成员之间的接触、感染出现的先后，以及无法直接观察的传播环节纳入分析。看似一句“谁更有传染性”，背后其实要处理好几层证据。
再看高本恩教授共同署名的一项2026年研究。研究团队使用香港历年的流感家庭研究资料，建立家庭传播模型，比较甲型和乙型流感在症状出现之前的传播情况。研究特别值得注意的地方，是感染到底在什么时候发生通常无法直接看见，所以模型必须处理这种不确定性。论文报告的不是一句模糊的“症状前也会传染”，而是通过具体数据和模型去估计不同病毒类型的传播时点。
两篇论文放在一起，我读到的研究主线就不是泛泛的“传染病防控”，而是怎样用家庭随访数据和严谨的推断方法，拆解真实世界中的感染过程。它既依赖流行病学的研究设计，也要求研究者对统计模型的前提保持警惕。如果把每个阳性检测都等同于一次传播事件，后面的公共卫生建议可能从一开始就缺了依据。
这一步会直接影响我对申请者的判断。假设有人硕士期间做过疾病预测，模型跑得很熟练，精度也不错。读到高本恩教授的研究，我首先想问的却不是他会不会再调一个算法，而是：他的预测标签究竟是什么？有无区分检测时间与真实感染时间？如果数据有漏检或不完整随访，结论如何变化？这些才是和这类论文更接近的研究能力。
换一个假设，申请者在医院或社区做过调查，熟悉招募参与者、记录症状和整理问卷。这样的经历并不因为没有漂亮的机器学习模型就失去意义。如果他能具体讲出如何界定病例、怎样处理家庭内不同成员的观察时间，以及遇到缺失记录时作过什么决定，反而可能展示一种非常贴近现场研究的训练。当然，读论文得出的潜在连接，不应被写成教授对某种背景的录取偏好。
我还会观察论文作者怎样面对不能直接测量的东西。真实感染时间不可见，传染性也不能简单从一张化验单读出来，因此研究者要清楚写出假设，再用数据检验推断是不是站得住。这种耐心，可能比“对流感防控很感兴趣”更能说明申请者是否愿意投入未来几年的博士研究。
如果准备把这项调查变成可操作的申请准备，不必一次读完教授的全部论文。先选一篇自己能读进去的家庭传播研究，划出研究单位是什么、哪些变量被实际测量、哪些时间点只能推断、结论最怕哪一种偏差。再把自己过去最扎实的一段项目经历按同样的问题拆开。看看是研究对象相似，还是方法训练能真正接上。
做完这一步，也许会发现原本看着非常对口的方向，其实离自己想研究的事情有段距离；也可能发现，一段不那么“高大上”的社区调查经验，恰好帮助自己理解论文中最难的现场环节。导师调查真正让人获得的，不是更多名字，而是有理由地决定该把时间投给谁。
