这周的重点内容都在前一部分关于CLT的部分比较重要

Cognitive Load Theory(CLT)

这周知识点跟上周的内容是连贯的，用户的congnitive、memory点

一、核心概念：什么是 Cognitive Load Theory？

Cognitive Load Theory（认知负荷理论）是由 John Sweller 提出的，它指出：

• 我们的大脑信息处理能力有限，尤其是工作记忆（Working Memory, WM）。
• 设计界面、教材、软件时，要尽量减少“无用负担”，并增强“有助学习的负担”。

二、我们的认知架构（Cognitive Architecture）

类型	功能
工作记忆 WM	同时只能处理大约 4 项内容，容量小，易被打扰，持续时间短（秒级）
长期记忆 LTM	容量几乎无限，以“schema（图式）”形式存储知识

Schema（图式）作用：

• 把多个信息整合成一个组块（chunking）
• 忽略细节，快速识别整体情况

Automation（自动化）：

• 熟练操作后不占用 WM，如骑自行车、打字

三、Problem Solving strategy

Analogy: (类比推理)

• the problem solver uses the structure of the solution to one problem to guide the solution to another similar problem. 使用已知问题的解决结构来指导当前新问题的解决。
• 设计启示：保持设计一致性（design consistency） 有助于用户迁移已知经验。

Working backwards: (从终点向起点推理)

• from the goal state to the start state. 从目标状态出发，反向推导实现路径。
• 设计启示：以目标为导向设计界面流程（goal-oriented design），例如用引导式问答系统。

Creating sub-goals: (创建子目标)

• 将复杂任务分解成若干子任务，逐一解决。
• involves decomposing a problem into smaller, more manageable components eg. subroutines
• HCI 中常用于分步流程设计（如表单分步填写、任务分阶段引导）并给出正面反馈

Means-Ends Analysis（手动解题）：

• 对认知负荷大，不适合教学使用

Worked Examples（示例教学法）：

• 展示完整的解题过程，比直接让用户摸索更高效
• 适用于新用户界面、新系统教学、软件入门教程等

四大典型认知负荷效应（设计者需关注）

1. Split Attention Effect（注意力分散效应）

Split Attention Effect（注意力分散效应）指的是当互相关联的信息被分散在页面上不同位置时，用户需要来回移动视线、切换注意力去理解内容，从而增加了认知负担并减慢信息处理速度

改进建议：

• 把文字说明整合到图中
• 图例放在图旁边，而不是另起页面
• 页面之间避免“记住再输入”，改用弹窗或自动填充

---

2. Redundancy Effect（冗余效应）

当界面/教学中出现重复、不必要的内容时，反而会拖慢用户理解。

改进建议：

• 精简说明文字，只保留必要的内容
• 避免图+解释+音频都说一遍
• 比如 Google 搜索首页就是极简主义的成功例子

3. Modality Effect（通道分离效应）

💡视觉 + 听觉 同时呈现互补信息，可以扩展工作记忆容量。

应用方式：

• 视频教程中用语音解释图像，而非文字说明
• 错误提示用语音和视觉提示同时呈现

注意不要用太复杂的语音，避免信息瞬时消失（Transient Effect）

4. Expertise Reversal Effect（专家反转效应）

💡初学者适合完整例子，专家反而觉得啰嗦。

设计策略：

• 为不同用户设置不同难度/详细度的界面
• 高级用户可跳过引导、新手默认看教程

其他重要效应与设计建议

效应名称	设计提示
Reduce Search	不要让用户花太多时间找信息。导航要清晰、信息集中
Use Diagrams	图表能降低抽象信息的处理难度，减少 WM 负担
Animation Effect	动画好坏取决于是否配合交互控制、任务是否需要运动展示
Transient Information	避免用“瞬时消失”的语音讲重点内容。分段呈现更好
Gesture Effect	模仿手势对新技能的学习有帮助，尤其是对儿童和初学者

三种认知负荷类型（重点理解）

类型	描述
Intrinsic Load（内在）	与任务本身的复杂度有关，不能改变，例如学习函数比加减法更难
Extraneous Load（外在）	由不合理设计造成的负担，例如内容分散、冗余、复杂界面。应尽量减轻
Germane Load（有益）	帮助学习的有益负担，如构建 schema 的努力。应尽量增强

应用举例 & HCI 启示

• 教学系统： 多用分段动画、语音讲解、操作演示（而非文字堆砌）
• 用户界面： 避免信息跳转、多用视觉分组和引导
• 老年用户/新手用户： 优先考虑减轻外在负荷 + 提供完整示例

Social Interaction（社会交互）

社会交互是人们在彼此之间采取行动并对这些行动作出反应的过程。

构成要素：

• Social context（社交情境）：环境背景如家庭、学校、工作等
  • Family
  • Friends
  • Education
  • Word
• Status / Roles（社会地位和角色）：可以分为Ascribed status和Achieved status, Role 可以是社会角色
  • Ascribed status： Age; Sex; Race
  • Achieved status: Education; Occupation; Accomplishments
• Social Norms（社会规范）：例如排队、避免冒犯性语言, 一些公认社会成员的行为
  • Shaking hands; Avoid racist comments
• Social Communication（交流方式）：分为
  • Verbal（文字/语音）Text; Voice; Adudio visual
  • Non-verbal（手势、表情、肢体语言） Facial expression;Vocalization;Clothing
• Social Perception (社会感知)：各种情绪
  • Emotions; Personality; Mood; Behavior
• Social Personal Characteristics（感知与个体特征）：如情绪、性格、信仰等 Personality
• Cultural issues（文化差异）：高语境 vs 低语境文化，非语言信息的使用也因文化而异

Social Computing（社交计算）

利用计算技术支持人与人之间的社交互动和协作过程。

关键研究问题：

• 如何让技术系统符合社交规范？
• 如何识别角色和状态？
• 如何理解社会语境与社交线索？
• 如何预测交互结果？

按时间 & 空间的分布可分为 4 类社交互动：

	Same Place	Different Place
Same Time	面对面交流、白板	电话、视频会议、WhatsApp
Different Time	告示板、留言墙	邮件、社交平台、博客

Core Concepts in Social Computing（核心概念）

• Social Presence：技术中“感受到他人存在”的能力
• Mediated Communication：借助技术进行的交流
• Identity & Self-Presentation：在网络上如何展示自己（头像、昵称、简介）
• Social Feedback & Reputation：点赞、评论、评分系统
• Context Understanding：理解用户在哪种情境下进行交互
• Social Norms & Cues：传达与识别情绪/社交信号的机制（如emoji）

Collaborative Computing（协作计算）

一种支持团队合作和集体决策的技术方法。它能跨越空间和时间支持任务完成，如共同编辑文档、远程开会等。

核心问题：

• 如何促进协作？
• 如何提高效率和信息透明度？
• 如何支持分布式的群体工作？

工具实例：

• Google Docs / Wikipedia
• 共享屏幕 / 视频会议（Zoom）
• Flock / IBM Domino

Ads	Challenge
灵活性高（时间地点自由）	建立信任
可调动分布式资源	保证质量
提高团队产出	协调机制设计

“社会可见性”（Social Translucence）设计：比如显示“谁在看这个文档”

Crowdsourcing & Crowd Computing（众包与群体计算）

• Crowdsourcing：通过开放式平台，将原本由员工执行的任务分发给不特定的大众。
• Crowd computing：利用全球范围的人类智能进行协作，解决复杂但非算法化问题。

应用场景：

• Wikipedia（内容创作）
• Amazon Mechanical Turk（任务外包）
• CAPTCHA（人类感知）
• InnoCentive（研发竞赛）

适合的任务特征：

• 可拆解为小任务
• 人类易解但机器难解
• 若用专家成本太高
• 可整合为整体解决方案