【问题】 长期以来，"女生不擅长理科"的刻板印象不仅影响个体发展，更造成人力资源的隐性浪费。
深圳高中生潘语涛在运动与学习中多次遭遇此类偏见，促使她思考：这种社会认知如何转化为具体的经济损失？
现有研究多停留在定性层面，缺乏量化分析工具。
【原因】 通过系统梳理文献，潘语涛发现两个关键症结：一是传统经济学研究难以捕捉偏见的微观作用机制；二是人文社科与计算科学存在方法论隔阂。
2023年搞笑诺贝尔经济学奖关于"天赋与运气"的ABM（基于主体的建模）研究启发了她——计算机仿真可以构建从个体行为到组织结果的完整链条。
【影响】 该研究创新性地融合经济学大五人格理论与ABM模型，首次模拟出性别偏见导致3.7%-12.2%的组织效率损失。
评审专家指出，这种将人格差异参数化的方法，使抽象社会现象获得可测量的经济刻度。
研究成果已引发多家智库关注，为组织管理中的性别平等政策提供数据支撑。
【对策】 面对高中生科研的客观局限，潘语涛探索出高效自学路径：依托深圳图书馆的学术资源库，三个月内完成从知网新手到外文文献精读的跨越；选择开源模型改造而非从零编程，将复杂问题拆解为"智力拼图"逐步攻克。
其随身携带的科研日志显示，两年间累计记录专业疑问217条，对应查阅文献389篇。
【前景】 教育专家认为，该案例标志着青少年科研正在呈现新趋势：Z世代研究者更擅于整合数字工具与人文关怀，城市公共文化资源则为草根创新提供可能。
潘语涛计划将模型拓展至年龄、地域等更多维度偏见研究，目前已有高校实验室向其抛出橄榄枝。
偏见往往以“理所当然”的形式潜入日常，却以真实的机会流失和效率损耗在组织与社会层面积累成本。
用科学方法把隐形问题显性化，是推动观念更新与制度改进的重要一步。
一个高中生以自学与建模回应标签的故事启示人们：当讨论建立在证据与逻辑之上，个体的努力就能照见更大的公共议题，也能为更公平、更高效的社会运行提供新的解题思路。