Learning, Computation, and Human-Machine Systems
这篇总结把 MSEC 阶段的项目串成一个研究身份：学习既是决策与信息更新，也是可计算的潜在状态，更是人机共同适应的反馈系统。
Layer 1: Learning as Decision and Information Updating
学习者会分配时间、注意力和努力。经济学视角帮助解释为什么学习者会这样行动：他们面对激励、信念、成本和选择。这个层面让教育系统不只是内容传递系统，也成为决策环境。
Layer 2: Learning as a Latent but Computable State
学习本身不可直接观察。系统只能从错误、行为轨迹、互动日志和表达结果中推断学生状态。计算方法的价值，是把这些碎片转化为可更新的学习画像。
Layer 3: Learning as a Human-Machine Co-Adaptive System
人在回应机器反馈，机器也在根据人的行为更新。学习不再是学生单独面对教材，而是在社会技术系统中不断反馈、调整和共同适应。
这正是 InGenius 网站应该传达的底层气质：AI 不是噱头，而是理解学习、设计反馈、支持研究型成长的技术基础。
未来方向
这条研究路线连接 economics、computation、learning sciences 和 HCI。它也可以成为 InGenius 的长期内容母题：怎样识别高潜力？怎样让学习过程可见？怎样用 AI 支持而不是替代人的判断？