研究计划里最容易被高估的一句话，可能是“使用人工智能实现个性化教育评价”。它听起来紧跟技术趋势，概念也不难理解，但读到这里，评审还不知道你究竟准备评价什么、怎样判断评价准确、评价结果又要怎样影响教学。
多伦多大学安大略教育研究院的 Eunice Eunhee Jang 教授长期研究语言评估、教育测量与项目评价。她的研究实验室不是简单地把测试分数交给算法，而是关心怎样让学生、教师理解测试结果，并进一步获得有意义的反馈。这个差别恰好能帮助申请者把研究计划写得更实在。
她参与的语言测试研究中，有一条线索是借助认知诊断模型分析阅读测验分数。一个总分往往掩盖不同学生的能力结构：两个总分相近的学生，可能一个在推断文章含义上更困难，另一个在整合信息上更吃力。若只凭总分安排同一种练习，评估便失去了诊断价值。
实验室有关阅读技能发展和动态评估的项目，又把问题推进一步。除了知道学生哪里没有答对，研究者也关心：当学生获得恰当的提示或支架后，他的反应是否会改变？这种变化能不能为后续支持提供更准确的信息？这与单次考试给出静态排名并不一样。
现在拿一份假设中的 RP 来看。原句是：“本研究拟基于人工智能技术构建精准、智能的阅读能力评价体系，提升中小学生学习效率。”读起来通顺，可是研究对象跨度大，测量目标不清，也没有说明拿什么证据证明效果。换上更多流行术语，并不能解决这些问题。
我会先把研究对象缩到一个可以管理的范围，比如某一学段的第二语言阅读学习者。再把研究目标改成：比较只提供总分反馈与提供阅读子技能诊断反馈时，学习者在下一轮阅读任务中的策略选择是否不同。这里的重点不再是“做一个平台”，而是某种反馈形式是否产生可观察的差异。
往下还要拆清楚“子技能”怎样定义。是词汇线索提取、信息整合，还是篇章推断？每项技能需要多少题目才能稳定测量？若两个版本的阅读任务难度不等，观察到的差异可能来自题目，而非反馈。计划书必须提前为这样的替代解释留出检验方式。
研究设计也可以更具体：在适当伦理许可和合作教学条件下，比较两种反馈方式，在一段时间内重复记录阅读表现与策略使用；同时收集学习者如何理解反馈的访谈材料。定量结果帮助观察变化，访谈解释为什么有些反馈并未真正被使用。这只是研究构想，不是已经完成的实验。
有人会觉得这样缩小问题，文章不够“宏大”。实际上，狭窄但可证伪的假设，比同时承诺提升成绩、改善心理状态和推动教育公平，更像博士研究的起点。就算结果没有显著优势，也能够进一步分析评估工具是否稳定，反馈是否被正确理解。
如果打算把这份 RP 与 Jang 教授的工作对接，也不能直接声称她会认可这个题目。更合适的写法是说明自己从她关于认知诊断、阅读技能画像和动态反馈的工作中学到了什么，哪些环节希望在既有文献基础上提出新问题，而哪些方法仍需要训练。
很多申请书不是缺少热情，也不是缺少足够大的现实意义，而是缺少一句可以真正被研究的数据回答的问题。把“AI赋能教育”改成可测量的学生、能力、反馈和结果，材料就会从宣传语逐渐变成研究计划。
