用 152 校 Dr. G. DB 篩選你的 dream list：完整實戰 demo

發布於 2026 年 5 月 14 日

每位來 Dr. G. 諮詢的家庭，最終都會看到一張試算表——152 校資料庫。這是我們 8 年累積的資料工程成果，涵蓋全美 152 所大學部 + 碩士學程的完整錄取數據、學費、Aid、學科排名、招募 target school 狀態。

但每次新家庭看到 152 列、40 欄的試算表，第一句話都是：「老師這麼多學校，到底怎麼選？」

答案是：用 4 步篩選法，把 152 校壓縮到 15-25 所候選，再由顧問人工審核 fit，最終定 12 校 dream list。

本文用一位真實學生（已匿名化）的條件，完整 demo 這 4 步流程。你會看到從 152 → 35 → 18 → 12 校，每一步的篩選邏輯、保留與淘汰原因，以及最後 12 校長什麼樣。

讀完這篇，你會理解：Dr. G. DB 是工具，不是判決。最終決定仍是顧問 + 家庭討論的結果，但 DB 把「主觀亂槍打鳥」變成「客觀理性決策」。

一、Dr. G. DB 是什麼？152 校的資料結構

Dr. G. 152 校資料庫（內部代號：Master_Grad_School_Database_2026-04），8 年來持續累積，涵蓋：

範圍：

• US News National Universities Top 100（全部 100 所）
• US News Liberal Arts College Top 30
• 重要公立大學（UCs、SUNYs、Big Ten、ACC、Pac-12 各代表）
• 國際生友善的特殊學校（USC、NYU、UW Seattle、Northeastern、BU、Tufts 等）

每所學校記錄 40 個欄位，分 6 類：

每年我們會更新 (1) 錄取率、(2) SAT 中位、(3) 學費 三大關鍵欄位——這 3 欄變動最快、最影響選校決策。

二、Demo 學生：Profile

為了讓這篇 demo 具體，我用一位真實 Dr. G. 學生的條件（已匿名為「學生 X」）：

這是一個典型 Dr. G. 學生條件——強 spike、SAT 中等偏上、預算敏感、目標清晰。

三、Step 1：第一層篩選 — SAT 中位 ±50（找 Reach 候選）

邏輯：以學生 SAT 1500 為基準，找出該校 SAT 50th percentile 落在 1450-1550 區間的學校——這是「Reach 候選池」。

操作：在 DB 中執行 filter：

152 校 → 35 校 Reach 候選：

保留：35 校
淘汰（SAT 50th < 1450 或 > 1550）：117 校

四、Step 2：第二層篩選 — SAT 75th < 我 SAT（找 Safety 候選）

邏輯：找出該校 SAT 75th percentile 低於學生 SAT（1500）的學校——對學生 X 來說，SAT 已經高於該校頂 25%，錄取機率較高，可能是 Match 或 Safety。

操作：

從 152 校中找出 Match / Safety 候選 28 校（為節省篇幅，列出 12 校代表）：

Step 1 + 2 合計：35 + 28 = 63 校候選。

五、Step 3：第三層篩選 — Need-Aware 狀態 + 預算（縮小到負擔得起的學校）

邏輯：學生 X 預算 $70K，但頂尖私立年費平均 $85-90K。必須過濾掉：

• Need-Aware + 不給國際生 Aid 的學校
• OOS 學費 + 食宿 > $90K 但 Merit Aid 罕見的學校
• 預算硬超出且無 Merit 機會的學校

操作：

刪減邏輯：

剩餘候選：約 35 所（部分標 △ 的保留但備註預算風險）

六、Step 4：第四層篩選 — 工程 Top 30 學科排名

邏輯：學生 X 主修 Mechanical / Robotics / Aerospace。整體排名退到第二優先，工程學科排名才是真實競爭力指標。

操作：

從 35 校中保留：

剩餘 18 校候選：MIT、Stanford、UCB、Caltech、Georgia Tech、UIUC、Purdue、UT Austin、CMU、Cornell、UCLA、UCSD、USC、UW Seattle、Penn State、Virginia Tech、UCSB、UC Irvine

七、Step 5：人工審核 — fit 與家庭限制的最後一層

DB 篩出 18 校後，最後一步必須人工——顧問 + 家庭根據以下定性因素縮到 12 校：

定性審核維度

12 校 dream list 定案

Reach / Match / Safety 配比驗證

• High Reach: 3 所（MIT、Stanford、Caltech）
• Reach: 4 所（Cornell、Georgia Tech、CMU、UCB）
• Match: 3 所（UCLA、Purdue、UIUC）
• Safety: 2 所（UW Seattle、Penn State）

配比 3-4-3-2，符合〈Reach / Match / Safety 黃金 12 校組合〉公式。

八、為什麼 DB 不能取代顧問？3 個真實限制

DB 強大但有 3 個結構性限制：

限制 1：DB 不懂「文書 fit」

DB 可以告訴你「Stanford 喜歡 spike 學生」，但Stanford 喜歡哪種 spike？2024 年 Stanford 偏好 humanities × tech 交叉的學生（去年招了大量「coded a app for refugee crisis」型）；2025 年趨勢可能變「pure research 深度」。這種「年度偏好變化」只有顧問知道，DB 抓不到。

限制 2：DB 不懂「家庭隱性條件」

家長嘴上說「預算 $70K」，但真實預算可能是 $65K 或 $75K——取決於人民幣匯率、爸媽是否願意動退休金。DB 算的是「平均數字」，顧問問的是「家庭真實底線」。

限制 3：DB 不懂「孩子的心理穩定度」

DB 告訴你 Wisconsin Madison 是「結構上的好 Safety」，但學生 X 是高雄長大、怕冷、怕孤獨。在 Wisconsin 念 4 年的心理成本，DB 算不出來。這只能靠顧問 + 學生 + 家長的對話判斷。

九、給家長的 DB 使用 SOP

如果你想自己嘗試用 DB 邏輯（不一定要 Dr. G. 的，可以自己建一個 Excel），SOP 是：

1. 第一步：把孩子條件填表（SAT、GPA、預算、Spike、地理偏好、家庭限制）
2. 第二步：用 SAT 50th ±50 過濾出 Reach 候選（25-35 所）
3. 第三步：用 SAT 75th < 我 SAT 過濾出 Safety 候選（20-30 所）
4. 第四步：扣掉預算超出且無 Aid 機會的學校（剩 30-40 所）
5. 第五步：用學科排名 Top 30 縮到 15-20 所
6. 第六步：人工審核 fit、家庭限制、ED 策略、心理穩定度，定 12 校

這個 SOP 比「翻 US News 排名 + 看 College Confidential 熱門推薦」理性 5 倍。

但第六步永遠要人。AI、DB、Excel 都不能取代「懂你孩子的人」的判斷。

十、結語：DB 是工具，最終判斷在人

我用了 152 校 DB 8 年。它幫我把學生選校效率提升 5 倍，把家庭糾結時間從 4 個月縮短到 4 週，把「全 reject」風險從 15% 壓到 2% 以下。

但 DB 不會告訴你最後該選哪所學校。它只是把 152 個選項收斂到 12 個合理選項——12 個之中選 ED 哪一所、RD 衝幾所、最後選誰入學，這是顧問 + 家庭 + 學生的對話結果。

我給每位 Dr. G. 家庭的最後一句話：「DB 是地圖，不是嚮導」。地圖告訴你地形，嚮導告訴你哪條路適合你。地圖再精準，沒有嚮導你還是會走錯路；嚮導再厲害，沒有地圖也只能憑感覺。

兩個都要。這就是 Dr. G. 顧問服務的本質——一份 152 校 DB + 一位看過 600 個學生的顧問。

關於本文的學生 X 後續入學結果：他 ED Stanford REA 落榜（合理 — Stanford REA 加成有限），RD Cornell Engineering 錄取（享有 RD 後段的隱性加成 — 他之前有與 Cornell 教授 email 通信展示 demonstrated interest），最終 4 月入學 Cornell ME，獲 $15K Merit Aid。12 校投了 12 所，admit 5 所，最終 fit 排名第 1。

關於 DB 篩選的具體配比邏輯，搭配〈Reach / Match / Safety 黃金 12 校組合〉。關於不同賽道的選校特殊邏輯，見〈工程、商學院、醫預科的特殊選校邏輯〉。關於 ED 在 DB 篩選中的應用，見〈ED vs EA vs RD 該怎麼選〉。

延伸閱讀：

• 美國 Reach / Match / Safety 校如何分配
• ED vs EA vs RD 該怎麼選
• 我的孩子該不該衝 Ivy
• 工程學院、商學院、醫預科的特殊選校邏輯
• 為什麼 CC 推薦的學校台灣家庭不一定適合
• Cornell 完整資料
• UC Berkeley 完整資料