简介一份面向博士申请者与考博人群的英语口语面试备考材料重点覆盖博士复试常见的自我介绍、社会议题问答等场景。文档内容以英文为主先提供结构完整的自我介绍范例包含个人背景、教育经历、未来规划三个递进层次随后呈现对北京环境污染等热门问题的观点表述帮助考生积累学术型口语词汇与论证逻辑。资源为单个 PDF 文档共 1 个文件大小约 319KB可离线阅读、打印或导入平板标注。由于文件轻量适合考前快速浏览、跟读和反复背诵。目前已有 84 人次学习对于希望短期内提升博士面试口语流畅度、掌握院校常见问答策略的读者具有直接的参考价值。结合预览中的表达句式可进一步整理出属于自己的个性化模板。1. 博士英语口语面试文档化从题库拆解到应答工程面试文档这件事听起来像是申请材料里的附件实际上决定了你在考场上 20 分钟的输出质量。这份《博士英语口语面试.pdf》把自我介绍、环境治理看法、读博原因、研究计划、家乡与家庭、实验技能等高频问题都收在了一个文件里。它值得拿出来拆开讲是因为它完成了从“问题清单”到“参考答案”的第一步先把题目固化成文档再按模块迭代。对正在准备博士面试的人、以及需要做英文工作汇报的工程师来说这种“文档化备题”思路本身就是职场和发展中的一个基本功。关键不是背会某一篇而是把里面的人口吻、结构和用词变成自己的模板。2. 高频问答拆解六类题型与应答结构2.1 PDF 里的高频问题分布打开这份文档你会发现它并不是按“话题”排列的而是按“场景”推进的。先是自我介绍然后是环境污染的看法接着考博原因、研究计划、家乡、家庭、大学最后附了九个短语对话类问题比如 strength、weakness、progress、accomplishment、实验技能等。这种排布说明作者当时是在按“考官最可能按什么顺序问”来准备。实际面试中考官往往会从自我介绍切入再根据介绍里的信息点追问所以文档化的第一步不是看内容而是先把提问分成稳定题型。2.2 六类题型的分类表我把 PDF 里的问题归成六类并给每一类匹配了原文话题和考察目的。这张表的核心用法不是背而是做抽题训练。面试前随机在表里选三个题给自己七分钟组织答案立刻能看出哪一类话题最弱。题型原文位置典型问题考察目的个人背景类自我介绍、家乡、家庭自我介绍、hometown、family判断表达的流畅度和信息组织能力学业经历类大学、短语4university、progress、accomplishment验证学术能力和自我评价的客观性动机计划类考博原因、研究计划、短语8为什么读博、研究计划、further study判断是否清楚博士阶段的定位热点分析类环境污染pollution、环境、应对措施考察对公共议题的分析框架科研素质类短语6、短语10experimental skills、如何解决问题确认动手能力与抗挫力行为素质类短语1、2、3strength、weakness、hobby了解性格与团队协作方式2.3 用 Python 脚本对问题和关键词做映射分类表背下来没用最好把它做成一个可检索的映射。我一般会先把 PDF 里的问题文本复制进一个topics.py用关键词做一层粗过滤然后在命令行里快速判断“这题属于哪一类”# topics.py interview_topics { 个人背景类: [自我介绍, 家乡, hometown, family, 家庭], 学业经历类: [大学, university, progress, accomplishment], 动机计划类: [读博, 研究计划, plan, further study], 热点分析类: [污染, pollution, 环境], 科研素质类: [实验, experiment, skills, 困难], 行为素质类: [strength, weakness, hobby, 性格], } def classify_question(question: str) - str: q question.lower() for category, keywords in interview_topics.items(): if any(k.lower() in q for k in keywords): return category return 未分类参数question是考官原话或你自己整理的追问句子。程序按关键词逐个检测命中一个分类就返回所以字典里关键词的顺序会影响优先级。实际使用中我建议把“读博”“研究计划”这类动作词放在最前面因为它们在很多追问里都会出现而后面的“家庭”“hobby”是独立话题不容易冲突。如果问题同时包含“strength”和“困难”现有顺序会命中“科研素质类”而不是“行为素质类”这提醒你分类表不是标准答案而是帮你发现自己最不熟练的话题。2.4 应答结构模板与范文对照分类后要做的第二件事是给每一类总结一个应答结构。我的做法是观点、原因、案例、收尾。对应到 PDF 第 2 题“对北京环境污染的看法”原文的展开顺序是现象污染是什么→后果航班取消、工厂停工→措施应急方案→个人展望期待蓝天这就是完整的观点、原因、案例、收尾结构。读博原因那一题则用了“理由一、理由二、理由三”的并列式说明同一个模板也会有不同的变体。需要注意的是原文的“案例”部分有时太弱。比如读博原因第三个理由“I learnt a lot from my job 2010”后面直接跳到了“however, I think further study is still urgent”案例没有具体展开。面试时提到工作经历考官会继续追问你具体做了什么所以要提前准备一个“时间加动作加结果”的短版本。把 PDF 里所有答案都按这套结构过一遍弱项就暴露出来了。3. 从 PDF 到可检索语料库文本提取与清洗实战3.1 为什么先建语料库而不是直接背背 PDF 里现成的答案考官一问就把原句倒出来风险很大。一是原文有大量拼写错误和口误二是考场情绪一紧张背串了就会整段卡壳。更稳妥的做法是把这份 PDF 当成素材库先提取成纯文本再建立自己的答案版本。做这件事的第一步是让机器把 PDF 里的文字和框架拆出来。拆分之后检索“污染”“读博”等关键词的速度会快很多也方便后续做单词替换和句式改写。3.2 用 pdfplumber 提取文本我常用 pdfplumber 做单页 PDF 的文本提取比 PyPDF2 更稳复杂版式也不容易乱码。下面是适用于这份文档的提取脚本import pdfplumber pdf_path 博士英语口语面试.pdf with pdfplumber.open(pdf_path) as pdf: for page_num, page in enumerate(pdf.pages, start1): text page.extract_text() if text: with open(interview_text.txt, a, encodingutf-8) as f: f.write(f\n--- Page {page_num} ---\n) f.write(text)参数只有pdf_path和page_num。extract_text()默认返回当前页的纯文本如果遇到分栏或文本框重叠返回顺序可能和视觉顺序不一致。这份文档版式简单直接逐页拼出来的 txt 已经可读。如果你拿到的 PDF 是扫描版extract_text()会返回空串那就需要把页面转成图片再做 OCR。常见做法是先用pdftoppm -r 200 -png interview.pdf page把每一页转成 PNG再交给 Tesseract 识别DPI 要大于 150否则英文字母识别率会明显下降。3.3 按题号切分问答这份 PDF 每道题前有数字编号比如“1 自我介绍”“2 对北京环境污染的看法”。提取出来的 txt 里题号会保留在行首我们可以用正则把它切成段并把问题标题作为 key 存进字典import re sections {} current_key None with open(interview_text.txt, encodingutf-8) as f: for line in f: m re.match(r^(\d)\s*(.*), line.strip()) if m: current_key f{m.group(1)} {m.group(2)} sections[current_key] [] elif current_key: sections[current_key].append(line.strip())这里正则^(\d)\s*(.*)匹配行首数字和后面的标题。匹配成功时current_key 就是题目标题之后的非编号行都追加到这个 key 下。注意正文中如果一行正好以数字开头比如“2011”也会被误判成题号。所以切分后要人工看一眼 sections 的 key 列表把“2011”这种误判清理掉。我一般会再加一个条件要求数字后面有至少一个空格且接下来的单词不是年份这样可以规避大部分误判。3.4 文本清洗处理拼写错误与分隔符提取后的原文有明显的手打痕迹比如“Hehbei”“reletive”“analysising”等错误以及大量英文单词直接连在一起比如“ofEconomics”。这些错误在背诵阶段会干扰发音和节奏。我建议用一个替换表做规则清洗原文问题替换为说明HehbeiHebei省份名拼写错误reletiverelative形容词拼写错误analysisinganalyzing动名词拼写错误英文单词后紧跟大写英文中间加空格修复断行导致单词粘连中文标点,统一中英文标点在 Python 里直接跑一遍str.replace()就行。注意清洗顺序先做单点拼写替换再做标点和断行修复最后再做切分。顺序反了会把“Hehbei”拆成两半后面正则就不太好匹配了。清洗后的语料库才是你真正可以背、可以改写、可以计算可读性的底稿。4. 中式英语与地道表达用可读性指标校准答案4.1 范文里的“中文直译”现象这份 PDF 里最有价值的部分不是范文完美而是它暴露了很多中国学生都会犯的直译问题。例如“believeing ‘Life is movement’”这句话直译自“生命在于运动”“The greatness of a man lends a glory to a place”则直接翻译了“人杰地灵”。考官能听懂但不地道。所以建好语料库之后下一步是做表达清洗把中文思维留下的痕迹换成英语习惯说法。4.2 常见中式英语对照表我在改写时会把原文和改后的句子放在一起几轮之后就能形成“即可读、又好说”的回答。下面的对照表是我从这份 PDF 里抽出来的典型例子中文思维PDF 原句更地道的说法生命在于运动Life is movementSports keep me energized人杰地灵The greatness of a man lends a glory to a placeIt is a city of talented people and natural beauty我很喜欢这个专业I am long for doing scientific researchI have a strong passion for research积累研究能力develop my own research capacitypush the boundaries of my research三年的沉淀after three years of precipitationafter three years of focused work替换时还要注意口语和书面语的区别。面试是“说”不是“写”所以“precipitation”这种词虽然表达出了“沉淀”但放在口语里非常别扭改成“focused work”反而更自然。4.3 用 Python 计算可读性和句长替换完表达之后需要一套客观指标来检查“这段话读起来累不累”。我常用 Flesch Reading Ease 和平均句长作为量化口径。下面这个脚本可以直接跑在清洗后的 txt 上import re def count_syllables(word): word word.lower().strip(.,!?;:) if not word: return 0 vowels aeiou count 0 prev_vowel False for ch in word: is_vowel ch in vowels if is_vowel and not prev_vowel: count 1 prev_vowel is_vowel return max(1, count - (1 if word.endswith(e) else 0)) def flesch_reading_ease(text): sentences re.split(r[.!?], text) words re.findall(r\b[a-zA-Z]\b, text) if len(sentences) 0 or len(words) 0: return 0.0 syllables sum(count_syllables(w) for w in words) return 206.835 - 1.015 * (len(words) / len(sentences)) - 84.6 * (syllables / len(words)) with open(interview_clean.txt, encodingutf-8) as f: content f.read() print(Flesch Reading Ease:, round(flesch_reading_ease(content), 2))Flesch 分数越高代表越易读60 到 70 属于流畅区30 到 50 偏学术。博士面试语速不宜太快平均句长控制在 15 到 20 个单词比较合适。你可以在脚本里加一行avg_words len(words)/len(sentences)打印平均句长然后把超过 25 个单词的句子拆开。4.4 如何根据指标调整答案如果 Flesch 分数低于 30就说明你的答案里从句套从句。考官不是在做阅读理解他需要在你停顿的间隙判断逻辑所以短句优先。把“which”和“that”引导的定语从句拆成两个独立句把“not only...but also”这种书面结构改成“It helps me... Besides”。注意不是所有长句都要拆介绍研究计划时保留一两个带从句的长句反而显得成熟。关键是让长句集中出现在你最有把握的领域比如方法论部分这样既显得专业又不容易卡壳。5. 模拟面试录音、转写、缺口检查的闭环5.1 用 ffmpeg 录制 15 分钟模拟闭门背稿永远发现不了问题。我的做法是每天做一次 15 分钟模拟用手机录音或者直接在笔记本上用 ffmpeg 录。macOS 下可以这样录ffmpeg -f avfoundation -i :0 -t 900 -ac 1 -ar 16000 interview.wav参数含义-f avfoundation指定 macOS 的音频采集框架:0是内置麦克风-t 900表示录 900 秒也就是 15 分钟-ac 1转单声道-ar 16000设采样率为 16kHz。16kHz 单声道是语音转写模型最常用的输入规格后面如果接入 Whisper 一类工具能直接少处理一步。5.2 转写与缺口检查录制完成后把音频转成文字再对照 PDF 的高频问题逐条打勾。没有答全的问题就是下一次模拟的专注点。你也可以不转写直接听回放重点听每段答案卡壳前那半秒的“um”“ah”和音调。核心技巧是先按 2 倍速听一遍把明显卡壳的段落记下来再回到原速精听这些段落。然后用表格记录“哪类题型、卡壳位置、替换后的表达”下一次模拟开始前只看这张表。反复三次后你的回答会稳定很多。本文还有配套的精品资源点击获取 用Python与文档化方法高效准备博士英语口语面试
简介一份面向博士申请者与考博人群的英语口语面试备考材料重点覆盖博士复试常见的自我介绍、社会议题问答等场景。文档内容以英文为主先提供结构完整的自我介绍范例包含个人背景、教育经历、未来规划三个递进层次随后呈现对北京环境污染等热门问题的观点表述帮助考生积累学术型口语词汇与论证逻辑。资源为单个 PDF 文档共 1 个文件大小约 319KB可离线阅读、打印或导入平板标注。由于文件轻量适合考前快速浏览、跟读和反复背诵。目前已有 84 人次学习对于希望短期内提升博士面试口语流畅度、掌握院校常见问答策略的读者具有直接的参考价值。结合预览中的表达句式可进一步整理出属于自己的个性化模板。1. 博士英语口语面试文档化从题库拆解到应答工程面试文档这件事听起来像是申请材料里的附件实际上决定了你在考场上 20 分钟的输出质量。这份《博士英语口语面试.pdf》把自我介绍、环境治理看法、读博原因、研究计划、家乡与家庭、实验技能等高频问题都收在了一个文件里。它值得拿出来拆开讲是因为它完成了从“问题清单”到“参考答案”的第一步先把题目固化成文档再按模块迭代。对正在准备博士面试的人、以及需要做英文工作汇报的工程师来说这种“文档化备题”思路本身就是职场和发展中的一个基本功。关键不是背会某一篇而是把里面的人口吻、结构和用词变成自己的模板。2. 高频问答拆解六类题型与应答结构2.1 PDF 里的高频问题分布打开这份文档你会发现它并不是按“话题”排列的而是按“场景”推进的。先是自我介绍然后是环境污染的看法接着考博原因、研究计划、家乡、家庭、大学最后附了九个短语对话类问题比如 strength、weakness、progress、accomplishment、实验技能等。这种排布说明作者当时是在按“考官最可能按什么顺序问”来准备。实际面试中考官往往会从自我介绍切入再根据介绍里的信息点追问所以文档化的第一步不是看内容而是先把提问分成稳定题型。2.2 六类题型的分类表我把 PDF 里的问题归成六类并给每一类匹配了原文话题和考察目的。这张表的核心用法不是背而是做抽题训练。面试前随机在表里选三个题给自己七分钟组织答案立刻能看出哪一类话题最弱。题型原文位置典型问题考察目的个人背景类自我介绍、家乡、家庭自我介绍、hometown、family判断表达的流畅度和信息组织能力学业经历类大学、短语4university、progress、accomplishment验证学术能力和自我评价的客观性动机计划类考博原因、研究计划、短语8为什么读博、研究计划、further study判断是否清楚博士阶段的定位热点分析类环境污染pollution、环境、应对措施考察对公共议题的分析框架科研素质类短语6、短语10experimental skills、如何解决问题确认动手能力与抗挫力行为素质类短语1、2、3strength、weakness、hobby了解性格与团队协作方式2.3 用 Python 脚本对问题和关键词做映射分类表背下来没用最好把它做成一个可检索的映射。我一般会先把 PDF 里的问题文本复制进一个topics.py用关键词做一层粗过滤然后在命令行里快速判断“这题属于哪一类”# topics.py interview_topics { 个人背景类: [自我介绍, 家乡, hometown, family, 家庭], 学业经历类: [大学, university, progress, accomplishment], 动机计划类: [读博, 研究计划, plan, further study], 热点分析类: [污染, pollution, 环境], 科研素质类: [实验, experiment, skills, 困难], 行为素质类: [strength, weakness, hobby, 性格], } def classify_question(question: str) - str: q question.lower() for category, keywords in interview_topics.items(): if any(k.lower() in q for k in keywords): return category return 未分类参数question是考官原话或你自己整理的追问句子。程序按关键词逐个检测命中一个分类就返回所以字典里关键词的顺序会影响优先级。实际使用中我建议把“读博”“研究计划”这类动作词放在最前面因为它们在很多追问里都会出现而后面的“家庭”“hobby”是独立话题不容易冲突。如果问题同时包含“strength”和“困难”现有顺序会命中“科研素质类”而不是“行为素质类”这提醒你分类表不是标准答案而是帮你发现自己最不熟练的话题。2.4 应答结构模板与范文对照分类后要做的第二件事是给每一类总结一个应答结构。我的做法是观点、原因、案例、收尾。对应到 PDF 第 2 题“对北京环境污染的看法”原文的展开顺序是现象污染是什么→后果航班取消、工厂停工→措施应急方案→个人展望期待蓝天这就是完整的观点、原因、案例、收尾结构。读博原因那一题则用了“理由一、理由二、理由三”的并列式说明同一个模板也会有不同的变体。需要注意的是原文的“案例”部分有时太弱。比如读博原因第三个理由“I learnt a lot from my job 2010”后面直接跳到了“however, I think further study is still urgent”案例没有具体展开。面试时提到工作经历考官会继续追问你具体做了什么所以要提前准备一个“时间加动作加结果”的短版本。把 PDF 里所有答案都按这套结构过一遍弱项就暴露出来了。3. 从 PDF 到可检索语料库文本提取与清洗实战3.1 为什么先建语料库而不是直接背背 PDF 里现成的答案考官一问就把原句倒出来风险很大。一是原文有大量拼写错误和口误二是考场情绪一紧张背串了就会整段卡壳。更稳妥的做法是把这份 PDF 当成素材库先提取成纯文本再建立自己的答案版本。做这件事的第一步是让机器把 PDF 里的文字和框架拆出来。拆分之后检索“污染”“读博”等关键词的速度会快很多也方便后续做单词替换和句式改写。3.2 用 pdfplumber 提取文本我常用 pdfplumber 做单页 PDF 的文本提取比 PyPDF2 更稳复杂版式也不容易乱码。下面是适用于这份文档的提取脚本import pdfplumber pdf_path 博士英语口语面试.pdf with pdfplumber.open(pdf_path) as pdf: for page_num, page in enumerate(pdf.pages, start1): text page.extract_text() if text: with open(interview_text.txt, a, encodingutf-8) as f: f.write(f\n--- Page {page_num} ---\n) f.write(text)参数只有pdf_path和page_num。extract_text()默认返回当前页的纯文本如果遇到分栏或文本框重叠返回顺序可能和视觉顺序不一致。这份文档版式简单直接逐页拼出来的 txt 已经可读。如果你拿到的 PDF 是扫描版extract_text()会返回空串那就需要把页面转成图片再做 OCR。常见做法是先用pdftoppm -r 200 -png interview.pdf page把每一页转成 PNG再交给 Tesseract 识别DPI 要大于 150否则英文字母识别率会明显下降。3.3 按题号切分问答这份 PDF 每道题前有数字编号比如“1 自我介绍”“2 对北京环境污染的看法”。提取出来的 txt 里题号会保留在行首我们可以用正则把它切成段并把问题标题作为 key 存进字典import re sections {} current_key None with open(interview_text.txt, encodingutf-8) as f: for line in f: m re.match(r^(\d)\s*(.*), line.strip()) if m: current_key f{m.group(1)} {m.group(2)} sections[current_key] [] elif current_key: sections[current_key].append(line.strip())这里正则^(\d)\s*(.*)匹配行首数字和后面的标题。匹配成功时current_key 就是题目标题之后的非编号行都追加到这个 key 下。注意正文中如果一行正好以数字开头比如“2011”也会被误判成题号。所以切分后要人工看一眼 sections 的 key 列表把“2011”这种误判清理掉。我一般会再加一个条件要求数字后面有至少一个空格且接下来的单词不是年份这样可以规避大部分误判。3.4 文本清洗处理拼写错误与分隔符提取后的原文有明显的手打痕迹比如“Hehbei”“reletive”“analysising”等错误以及大量英文单词直接连在一起比如“ofEconomics”。这些错误在背诵阶段会干扰发音和节奏。我建议用一个替换表做规则清洗原文问题替换为说明HehbeiHebei省份名拼写错误reletiverelative形容词拼写错误analysisinganalyzing动名词拼写错误英文单词后紧跟大写英文中间加空格修复断行导致单词粘连中文标点,统一中英文标点在 Python 里直接跑一遍str.replace()就行。注意清洗顺序先做单点拼写替换再做标点和断行修复最后再做切分。顺序反了会把“Hehbei”拆成两半后面正则就不太好匹配了。清洗后的语料库才是你真正可以背、可以改写、可以计算可读性的底稿。4. 中式英语与地道表达用可读性指标校准答案4.1 范文里的“中文直译”现象这份 PDF 里最有价值的部分不是范文完美而是它暴露了很多中国学生都会犯的直译问题。例如“believeing ‘Life is movement’”这句话直译自“生命在于运动”“The greatness of a man lends a glory to a place”则直接翻译了“人杰地灵”。考官能听懂但不地道。所以建好语料库之后下一步是做表达清洗把中文思维留下的痕迹换成英语习惯说法。4.2 常见中式英语对照表我在改写时会把原文和改后的句子放在一起几轮之后就能形成“即可读、又好说”的回答。下面的对照表是我从这份 PDF 里抽出来的典型例子中文思维PDF 原句更地道的说法生命在于运动Life is movementSports keep me energized人杰地灵The greatness of a man lends a glory to a placeIt is a city of talented people and natural beauty我很喜欢这个专业I am long for doing scientific researchI have a strong passion for research积累研究能力develop my own research capacitypush the boundaries of my research三年的沉淀after three years of precipitationafter three years of focused work替换时还要注意口语和书面语的区别。面试是“说”不是“写”所以“precipitation”这种词虽然表达出了“沉淀”但放在口语里非常别扭改成“focused work”反而更自然。4.3 用 Python 计算可读性和句长替换完表达之后需要一套客观指标来检查“这段话读起来累不累”。我常用 Flesch Reading Ease 和平均句长作为量化口径。下面这个脚本可以直接跑在清洗后的 txt 上import re def count_syllables(word): word word.lower().strip(.,!?;:) if not word: return 0 vowels aeiou count 0 prev_vowel False for ch in word: is_vowel ch in vowels if is_vowel and not prev_vowel: count 1 prev_vowel is_vowel return max(1, count - (1 if word.endswith(e) else 0)) def flesch_reading_ease(text): sentences re.split(r[.!?], text) words re.findall(r\b[a-zA-Z]\b, text) if len(sentences) 0 or len(words) 0: return 0.0 syllables sum(count_syllables(w) for w in words) return 206.835 - 1.015 * (len(words) / len(sentences)) - 84.6 * (syllables / len(words)) with open(interview_clean.txt, encodingutf-8) as f: content f.read() print(Flesch Reading Ease:, round(flesch_reading_ease(content), 2))Flesch 分数越高代表越易读60 到 70 属于流畅区30 到 50 偏学术。博士面试语速不宜太快平均句长控制在 15 到 20 个单词比较合适。你可以在脚本里加一行avg_words len(words)/len(sentences)打印平均句长然后把超过 25 个单词的句子拆开。4.4 如何根据指标调整答案如果 Flesch 分数低于 30就说明你的答案里从句套从句。考官不是在做阅读理解他需要在你停顿的间隙判断逻辑所以短句优先。把“which”和“that”引导的定语从句拆成两个独立句把“not only...but also”这种书面结构改成“It helps me... Besides”。注意不是所有长句都要拆介绍研究计划时保留一两个带从句的长句反而显得成熟。关键是让长句集中出现在你最有把握的领域比如方法论部分这样既显得专业又不容易卡壳。5. 模拟面试录音、转写、缺口检查的闭环5.1 用 ffmpeg 录制 15 分钟模拟闭门背稿永远发现不了问题。我的做法是每天做一次 15 分钟模拟用手机录音或者直接在笔记本上用 ffmpeg 录。macOS 下可以这样录ffmpeg -f avfoundation -i :0 -t 900 -ac 1 -ar 16000 interview.wav参数含义-f avfoundation指定 macOS 的音频采集框架:0是内置麦克风-t 900表示录 900 秒也就是 15 分钟-ac 1转单声道-ar 16000设采样率为 16kHz。16kHz 单声道是语音转写模型最常用的输入规格后面如果接入 Whisper 一类工具能直接少处理一步。5.2 转写与缺口检查录制完成后把音频转成文字再对照 PDF 的高频问题逐条打勾。没有答全的问题就是下一次模拟的专注点。你也可以不转写直接听回放重点听每段答案卡壳前那半秒的“um”“ah”和音调。核心技巧是先按 2 倍速听一遍把明显卡壳的段落记下来再回到原速精听这些段落。然后用表格记录“哪类题型、卡壳位置、替换后的表达”下一次模拟开始前只看这张表。反复三次后你的回答会稳定很多。本文还有配套的精品资源点击获取