博士读了不亏：这些硬技能让你受用一生

原文作者：Jonathan McGuire & Samantha Baggott

从认知科学专业博士毕业后，笔者两人开始留意非学术类的工作，一开始我们都觉得在“象牙塔”学会的“软”技能可以很好地沿用到“真实世界”中——比如抗打击能力、批判性思维、沟通和合作能力等。这些软技能确实能很好地跨界，但在我们进入政府部门从事管理岗位后才发现，学术能力的价值被我们大大低估了。

当你应聘学术岗位时，一切都写在你的成绩单上：你申请外部经费的能力，在同行评审期刊上发表研究的能力等。这份成绩单背后的技能几乎全是学术相关的：申请经费；写文献综述；对收集的数据进行统计分析；将研究成果发表出来或汇报演示。然而，这些能力在非学术领域也很有用武之地。

写经费申请需要先提出一个值得对方资助、与资助机构优先级一致的思路；基于这个思路撰写研究计划，这个计划通常会持续好几年；还要阐明研究的成果、产出、意义和重要性；最后要列出完成整个工作所需要的具体费用，并证明其合理性。

这个过程能培养你筹措资金的能力。学术圈之外，我们俩人都有过向别人要钱的经历，这笔费用可能是用来招募员工，开展项目，或是采购某个软件或设备。

当我们意识到，这不过是套着提案或商业项目名头的一次迷你版的经费申请后，一切就变得容易多了。“成果和产出”变成了“可交付物”。整个概念以及其中涉及一份详细合理的预算，也差不多是一回事。

比如，为了多招一些员工，我们必须证明我们的团队为何要扩充，并突出这对整个机构有哪些好处。为此，我们要陈述新成员会负责哪些工作，推荐合适的薪资水平，并说明他们将完成哪些任务。虽然具体情况有些差异，但这里的每一步对于申请过研究经费的人都不会陌生。

大部分现代化机构都离不开数据分析和循证决策。许多机构的数据库里存了几百张表和无数份记录，数据质量参差不齐，大部分都是常规业务流程留下的。笔者J.M.分析过由海量记录组成的财务数据；笔者S.B.曾在一个拥有150多个源系统的环境中与商业用户和数据专家合作，决定在面向一线员工和高层的数据统计表上展示哪些信息。在这些任务中，懂得如何使用数据、理解数据是一项非常重要技能。

这不表示数据分析需要你有生物信息学家或计算科学家的背景。但是，如果你在博士期间有过和数据打交道的经历，你就积累了一些可跨界使用的数据处理技能。读博期间，我们两人有时候会分别花上几个星期尝试不同的数据转换，学习并使用各种统计方法，来解读我们的实验数据。对于现在身处非学术岗位的我们来说，这些经历帮了大忙，因为非学术领域的数据往往很乱、不完整，来源也五花八门。

还有一个相关技能是基于复杂的证据基础整合并提炼新结论的能力，这个能力在我们每次写文献综述时，或是需要解释研究结果有出入的原因时得到了反复锻炼。在学术圈之外，这种能力可以帮助我们理解我们机构所在的大环境，解读不符合我们经验的报告，还能解决初看之下很没头绪的商业问题。

无论是参与从零开始的“绿地投资”（译注：在其他国家设立子公司的投资项目）（S.B.）还是加入两家金融科技创业公司（J.M.），这些工作要求我们了解整个商业环境，进行市场调研，与潜在投资者交流，调查其他机构是如何解决类似问题的。为了将这些素材统一成一项完整的计划和提案，我们需要调动博士期间掌握的信息整合能力。

读博期间写文章和做报告的经历，能很好地满足招聘广告上经常要求的“出色的写作及沟通能力”。这方面的经验对于所有非学术岗位都是必不可少的。这里包括将各种证据汇总为报告，罗列支持某个项目的理由，向同事、老板或是单位的高层提出某个想法或创意。

虽然离开学术圈已有近10年，我们仍然会说（和写）“启发法”“确认偏误”或“FWER”这些词。我们知道这些术语和概念，也知道如何解释它们的含义。但是，在我们现在的工作中，我们也经常会说“看板”（管理工作流程的工具）或“star schema”（一种管理数据库中数据的方式）。博士课程教会了我们一套技能，我们能通过这套技能学习某个学科（或机构）的术语；在书面和口头交流中正确流利地使用这些术语；向不熟悉这些术语的人进行解释。

博士是一种资质，和其他资质一样，无论你从事哪一行，它带给你的技能和经验，将会决定你的工作方式。