可用性测试

可用性测试（usability testing）是一种以真实或代表性用户为对象、让其在受控或半受控条件下完成典型任务、同时由主持人与观察记录人员采集行为与反馈，用以发现界面设计问题并评估产品可用程度的评价方法。其核心不在于询问用户「喜欢什么」，而在于观察用户「实际能否做成」。^{11CN107038114A - 一种基于软件产品生命周期的用户体验测试方法 - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

可用性测试的典型实施流程可拆为五个环节：确定测试目标与待验证的设计问题、招募代表性参与者、设计贴近真实使用情境的任务场景、在测试中由主持人引导参与者边操作边出声思考并由记录员与观察者记录问题、测试后汇总问题并给出改进建议。^{11CN107038114A - 一种基于软件产品生命周期的用户体验测试方法 - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

在测试正式开始前安排一段「主页观光」环节是常见做法：由主持人引导参与者先浏览首页并自由停留，再回答「什么地方最吸引你」「这是个做什么的网站、你能在这里做什么」等问题，目的是在进入任务前先获取用户对产品第一印象与用途理解的自发反馈。^{11CN107038114A - 一种基于软件产品生命周期的用户体验测试方法 - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

测试执行阶段通常采用「出声思考」（think-aloud）方式：参与者一边操作一边说出自己的判断与困惑，主持人在旁引导但不代替用户操作，记录员与观察者同步记录出现的问题。这种分工使「引导」「操作」「记录」三种角色分离，减少主持人干扰对结果的影响。^{11CN107038114A - 一种基于软件产品生命周期的用户体验测试方法 - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

可用性测试的产出形态是「问题清单」而非单一分数：每个被记录的问题通常需要附带发生情境（哪一步任务、哪个界面）、参与者的表现与表述，以便后续定位设计缺陷并排定修复优先级。^{11CN107038114A - 一种基于软件产品生命周期的用户体验测试方法 - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

Jakob Nielsen（雅各布·尼尔森）提出，可用性由五个要素构成：可学习性（系统应易于学习）、效率（系统在使用上应具有高效率）、可记忆性（系统应容易记忆）、出错率（系统应具有低出错率，并能防止灾难性错误出现）以及满意度（系统使用起来应令人舒适、愉快）。^{22[科普中国]-远程可用性测试- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

Nielsen 认为，产品只有在上述每个要素上都达到很好的水平，才具有高可用性；换言之，可用性不是单一维度的属性，而是多个维度共同构成的整体质量。^{22[科普中国]-远程可用性测试- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

在可用性工程实践中，可学习性通常被视为最基础的维度：用户首次接触系统时能否在合理时间内完成核心任务，直接决定后续的效率和满意度表现。^{22[科普中国]-远程可用性测试- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

效率维度关注的是用户在学会系统之后，完成任务的速度与投入的认知、操作成本；它与可学习性并不总是同向变化，简化首次使用体验的设计有时会牺牲熟练用户的操作效率。^{22[科普中国]-远程可用性测试- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

可记忆性针对的是间歇使用场景：用户隔一段时间后重新使用系统时，能否不必重新学习就恢复操作水平。对于使用频率低但后果重要的系统，这一维度尤其关键。^{22[科普中国]-远程可用性测试- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

出错率维度不仅统计用户操作错误的频次，还强调系统应能防止灾难性错误出现，即把错误的严重程度纳入考量，而不仅是错误数量。^{22[科普中国]-远程可用性测试- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

满意度是主观维度，指系统使用起来应令人舒适、愉快；它无法仅由任务完成时间和错误数推断，通常需要通过问卷或访谈等主观评价手段收集。^{22[科普中国]-远程可用性测试- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

可用性测试与评估应针对产品的真实用户而非专业技术人员，并应在用户的实际工作任务和操作环境下进行，同时选择有广泛代表性的用户——这些原则决定了上述各维度在测试中必须以真实用户、真实任务为观测载体。^{22[科普中国]-远程可用性测试- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

可用性被视为产品竞争力的核心：设计优秀的软件能有效提高生产效率、减少人为错误并提升用户满意度，因此可用性研究已成为软件开发的关键问题。^{22[科普中国]-远程可用性测试- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

可用性测试的测量指标通常按 ISO 9241-11 的框架分为三类：有效性（任务完成率、错误率）、效率（任务完成时间、单位时间产出）和满意度（主观评分、问卷得分）。这一三分结构是多数可用性测试报告组织指标时的通用骨架。^{1313Referencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

任务完成率（task success rate）是最常被报告的有效性指标，定义为成功完成指定任务的被试比例；与之配套的常是错误率（error rate），即单位任务内的误操作次数或出错被试比例。两者常同时报告，因为高完成率可能掩盖反复试错的过程。^{1313Referencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

任务完成时间（time on task）是效率维度的核心指标，通常以中位数或几何均值汇总，因为任务时间分布明显右偏，直接用算术平均会被少数超长任务拉高。报告时一般同时给出成功被试的时间与全部被试的时间两套数字。^{1313Referencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

主观满意度常用标准化问卷测量，SUS（系统可用性量表）以 10 题、0–100 分的单一得分被广泛采用，其得分可跨系统比较；NASA-TLX 则用于测量任务过程中的认知负荷与工作负荷，包含心智需求、生理需求、时间压力、绩效、努力和挫败感等子量表。^{1313Referencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在移动应用与智能座舱等场景的可用性评估中，研究者会把 NASA-TLX 与任务完成率、完成时间等行为指标并用，以同时刻画“能不能完成”和“完成得有多费力”两个层面。^{1313Referencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

可用性测试的样本量通常很小，因此指标报告应给出置信区间而非仅给点估计；常用的经验规则是二项分布下的“发现性问题”估算，例如 Nielsen 的 5 用户经验法则，但它只适用于同质用户群与单一任务类型，不能外推为所有测试的通用样本量标准。^{1313Referencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

行为指标之外，生理与眼动指标（如注视时长、瞳孔直径、眨眼频率）在驾驶与座舱分心研究中被用作认知负荷的补充测量，但它们与主观负荷量表之间的相关性在不同研究中并不稳定，单独使用容易误读。^{1313Referencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

可用性测试的结果分析通常从原始记录（观察笔记、录像、日志、问卷）出发，先做数据整理与编码，再归纳为问题清单；分析单位可以是单个任务、单个被试或单个可用性问题。^{1414Usability Testing: A Practitioner's Guideinteraction-design.org前往参考资料 ↓在新标签页中打开}

可用性问题严重度评级常用 Nielsen 提出的五级量表：0 表示不是问题，1 为表面问题、可推迟修复，2 为次要问题、低优先级，3 为重要问题、高优先级，4 为灾难性问题、必须修复。^{1515Severity Ratings for Usability Problemsnngroup.com前往参考资料 ↓在新标签页中打开}

可用性问题严重度评级通常综合三个因素：问题出现的频率、对用户的影响程度、问题是否持续存在（用户能否绕过或自行恢复），三者共同决定修复优先级。^{1515Severity Ratings for Usability Problemsnngroup.com前往参考资料 ↓在新标签页中打开}

可用性测试的定性分析常采用「亲和图法」（KJ 法）或主题分析，把零散的观察记录按现象聚类，再为每一类命名并追溯其成因，从而把「症状」转化为可操作的「问题陈述」。^{1414Usability Testing: A Practitioner's Guideinteraction-design.org前往参考资料 ↓在新标签页中打开}

可用性测试中发现的「可用性问题」与「用户抱怨」需要区分：用户抱怨是主观表达，可用性问题应能对应到具体的界面元素、交互步骤或认知负荷来源，并可由观察证据支持。^{1414Usability Testing: A Practitioner's Guideinteraction-design.org前往参考资料 ↓在新标签页中打开}

可用性测试的定量结果分析常报告任务完成率、任务用时、错误数、求助次数与满意度评分（如 SUS、SEQ），并配合置信区间或非参数检验，以避免小样本下的过度解读。^{1616Measuring the User Experience: Collecting, Analyzing, and Presenting Usability Metricssciencedirect.com前往参考资料 ↓在新标签页中打开}

可用性测试样本量通常较小，Nielsen 与 Landauer 的模型估计约 5 名用户可发现约 85% 的可用性问题，但该估计依赖问题发现概率与测试设计，后续研究对其普适性存在讨论。^{1717Estimating the number of subjects needed for a thinking aloud testsciencedirect.com前往参考资料 ↓在新标签页中打开}

可用性测试结果分析中，问题定位应区分「界面层问题」（布局、标签、反馈）与「流程层问题」（任务结构、信息架构、导航路径），二者修复成本与责任方不同。^{1414Usability Testing: A Practitioner's Guideinteraction-design.org前往参考资料 ↓在新标签页中打开}

可用性测试的问题清单通常按严重度、影响用户比例与修复成本排序，形成优先级矩阵，供产品与设计团队排期；严重度高但修复成本低的问题优先处理。^{1515Severity Ratings for Usability Problemsnngroup.com前往参考资料 ↓在新标签页中打开}

可用性测试结果分析应保留「正面发现」，即用户顺利完成且体验良好的环节，用于确认设计有效部分，避免分析只聚焦缺陷而忽略可复用的设计模式。^{1414Usability Testing: A Practitioner's Guideinteraction-design.org前往参考资料 ↓在新标签页中打开}

可用性测试的录像与日志回放（如出声思维记录）是问题定位的关键证据，分析者通过逐帧回看被试的操作与言语，还原问题发生的具体情境与触发条件。^{1414Usability Testing: A Practitioner's Guideinteraction-design.org前往参考资料 ↓在新标签页中打开}

可用性测试结果分析中，多个被试在同一任务上出现同类失败时，通常视为系统性问题而非个体差异，应优先修复；仅个别被试出现的问题则需结合其背景判断是否为边缘情况。^{1414Usability Testing: A Practitioner's Guideinteraction-design.org前往参考资料 ↓在新标签页中打开}

在智能座舱场景中，可用性测试被用于评估驾驶与乘坐情境下的交互安全性与效率，其核心关注点从传统桌面端的任务完成率扩展到驾驶分心、视线离路时间与操作负荷等与行车安全直接相关的指标。^{1818Human Factors in Automotive User Interfaces and Vehicles of the Futuredl.acm.org前往参考资料 ↓在新标签页中打开}

美国国家公路交通安全管理局（NHTSA）发布的驾驶员分心指南提出，车载电子设备的设计应使单次视线离路时间尽量不超过2秒，累计总视线离路时间不超过12秒，这一量化准则被广泛用作座舱可用性测试中视觉负荷评估的参照基准。^{1919Visual-Manual NHTSA Driver Distraction Guidelines for In-Vehicle Electronic Devicesnhtsa.gov前往参考资料 ↓在新标签页中打开}

在座舱可用性测试中，常采用驾驶模拟器或封闭场地实车测试来采集驾驶人的眼动、车辆横向控制与操作时间数据，以在可控且安全的条件下复现真实驾驶中的交互负荷。^{1818Human Factors in Automotive User Interfaces and Vehicles of the Futuredl.acm.org前往参考资料 ↓在新标签页中打开|2020Driver distraction: A review of the literature and a framework for measurementsciencedirect.com前往参考资料 ↓在新标签页中打开}

车载人机界面可用性评估中，业界与学界常将主观负荷量表（如NASA-TLX）、情境意识评估与客观驾驶绩效指标结合使用，以弥补单一指标对认知负荷刻画不足的问题。^{2020Driver distraction: A review of the literature and a framework for measurementsciencedirect.com前往参考资料 ↓在新标签页中打开}

随着语音、触控与多模态交互在座舱中的普及，可用性测试的测试任务设计需要覆盖多通道并发的操作场景，并考察在行驶噪声、振动等环境干扰下的识别率与操作成功率。^{1818Human Factors in Automotive User Interfaces and Vehicles of the Futuredl.acm.org前往参考资料 ↓在新标签页中打开}

在航空与轨道交通等复杂操作场景中，可用性测试同样被用于评估控制台与显示界面的操作差错率与恢复能力，其方法与座舱测试在任务分析和负荷测量上有相通之处。^{2121Usability Evaluation in Complex Safety-Critical Systemssciencedirect.com前往参考资料 ↓在新标签页中打开}

可用性测试的核心优势在于能在产品开发早期以较低成本发现界面层面的可用性问题：Nielsen 对 11 项研究的汇总分析指出，5 名用户即可发现约 85% 的可用性问题，且单次测试成本远低于上线后修复缺陷的代价。^{2222Estimating the number of subjects needed for a thinking aloud testnngroup.com前往参考资料 ↓在新标签页中打开}

可用性测试直接观察真实用户完成任务的过程，能揭示用户“实际怎么做”而非“自认为怎么做”，从而暴露问卷与访谈难以捕捉的操作卡点与误解。^{2323Usability Testing 101nngroup.com前往参考资料 ↓在新标签页中打开}

可用性测试的结论高度依赖测试任务设计、样本构成与主持人行为，主持人的引导方式（如提示时机、追问措辞）会系统性影响被试表现，构成方法学上的效度威胁。^{2424Moderating Usability Tests: Principles and Practices for Interactingsciencedirect.com前往参考资料 ↓在新标签页中打开}

小样本可用性测试虽能高效发现问题，但无法可靠估计问题在总体用户中的发生率，也不能用于统计推断式的效果比较；要量化可用性水平需结合更大样本的基准测试或问卷量表。^{2222Estimating the number of subjects needed for a thinking aloud testnngroup.com前往参考资料 ↓在新标签页中打开|2525Measuring the User Experience: Collecting, Analyzing, and Presenting Usability Metricssciencedirect.com前往参考资料 ↓在新标签页中打开}

可用性测试通常在受控或半受控环境中进行，被试知道自己被观察（霍桑效应），且任务与场景由研究者设定，与真实使用情境存在差距，外部效度受限。^{2626Handbook of Usability Testing: How to Plan, Design, and Conduct Effective Testswiley.com前往参考资料 ↓在新标签页中打开}

可用性测试对资源要求较高：需要招募合适被试、准备测试环境与设备、安排主持人及记录分析人员，单轮测试从设计到出报告通常需要数周，对迭代节奏快的团队构成负担。^{2323Usability Testing 101nngroup.com前往参考资料 ↓在新标签页中打开}

可用性测试擅长发现“可用性”层面的操作障碍，但对用户长期使用意愿、情感体验与产品价值判断的解释力有限，需与田野研究、日志分析等方法互补。^{2727Observing the User Experience: A Practitioner's Guide to User Researchsciencedirect.com前往参考资料 ↓在新标签页中打开}

可用性测试与启发式评估同属可用性评估方法，但二者在评估主体上存在根本差异：可用性测试依赖真实或代表性用户完成任务并观察其行为，而启发式评估由少量可用性专家依据既定启发式原则审查界面，不涉及真实用户。^{2929Usability Inspection Methodsnngroup.com前往参考资料 ↓在新标签页中打开|3030Usability Evaluation Methodsinteraction-design.org前往参考资料 ↓在新标签页中打开}

在成本与产出节奏上，启发式评估通常只需 3 至 5 名评估者、耗时较短且可在设计早期快速执行，而可用性测试需要招募参与者、安排测试环境与主持流程，单轮成本与周期明显更高。^{2929Usability Inspection Methodsnngroup.com前往参考资料 ↓在新标签页中打开|3131Heuristic Evaluationnngroup.com前往参考资料 ↓在新标签页中打开}

启发式评估的主要局限在于评估者并非目标用户，容易漏掉只有真实用户在使用情境中才会暴露的问题，也可能报告出用户实际不会遇到的伪问题；可用性测试则能直接观察真实行为，但对参与者的代表性敏感，样本偏差会直接影响结论的外部效度。^{2929Usability Inspection Methodsnngroup.com前往参考资料 ↓在新标签页中打开|3030Usability Evaluation Methodsinteraction-design.org前往参考资料 ↓在新标签页中打开}

可用性测试与认知走查的区别在于：认知走查由分析者以假设用户视角逐步推演任务中的每一步操作与认知负担，属于分析式方法；可用性测试则通过真实用户的实际操作获取行为与绩效数据，属于经验式方法。^{3030Usability Evaluation Methodsinteraction-design.org前往参考资料 ↓在新标签页中打开|3232Cognitive Walkthroughusability.gov前往参考资料 ↓在新标签页中打开}

可用性测试与问卷调查常被组合使用而非相互替代：问卷适合在较大样本上测量主观满意度与感知易用性，但无法揭示操作过程中的具体障碍；可用性测试样本小、能定位问题，却难以支撑统计意义上的总体推断。^{3131Heuristic Evaluationnngroup.com前往参考资料 ↓在新标签页中打开|3333Usability Testingusability.gov前往参考资料 ↓在新标签页中打开}

可用性测试与 A/B 测试的目标不同：A/B 测试在真实流量下比较两个变体的单一或少量指标以支持上线决策，可用性测试则在小样本下诊断用户为何遇到困难、问题出在何处，前者回答“哪个更好”，后者回答“为什么不好”。^{3333Usability Testingusability.gov前往参考资料 ↓在新标签页中打开}

可用性测试与现场研究（田野调查）在生态效度上形成互补：实验室可用性测试控制变量、便于记录，但脱离真实使用环境；现场研究在真实情境中观察用户，生态效度高，却难以控制干扰变量且成本更高。^{3030Usability Evaluation Methodsinteraction-design.org前往参考资料 ↓在新标签页中打开|3232Cognitive Walkthroughusability.gov前往参考资料 ↓在新标签页中打开}

尼尔森与兰道尔提出的“启发式评估与可用性测试结合”实践表明，两类方法发现的问题集合并不完全重叠，组合使用比单一方法能覆盖更多可用性问题，因此常被建议在同一评估计划中并行采用。^{2929Usability Inspection Methodsnngroup.com前往参考资料 ↓在新标签页中打开|3131Heuristic Evaluationnngroup.com前往参考资料 ↓在新标签页中打开}

可用性测试的方法论源头通常追溯到 1980 年代初，John Gould 与 Clayton Lewis 在 1985 年发表的论文中提出「以用户为中心的设计」原则，主张在设计早期就引入真实用户测试，并强调迭代设计、经验测量与用户参与三条原则。^{3434Designing for Usability: Key Principles and What Designers Thinkdl.acm.org前往参考资料 ↓在新标签页中打开}

Jakob Nielsen 与 Rolf Molich 于 1990 年提出启发式评估（heuristic evaluation），把专家评审系统化为一组可用性原则，这一方法后来与用户测试并列成为可用性工程的两大支柱。^{3535Heuristic Evaluation of User Interfacesdl.acm.org前往参考资料 ↓在新标签页中打开}

Nielsen 在 1993 年发表的「可用性工程」系列论文与 1994 年出版的《Usability Engineering》一书，把可用性从零散的用户测试实践整理为包含启发式评估、用户测试、并行设计等在内的工程化流程，并给出「5 名用户可发现约 85% 问题」的经验法则。^{3636Usability Engineeringnngroup.com前往参考资料 ↓在新标签页中打开}

1990 年代可用性测试从实验室走向标准化：国际标准化组织在 ISO 9241 系列中给出可用性定义（有效性、效率、满意度），并在 ISO 9241-11 中规定了可用性评估的框架，使测试指标有了可对照的规范依据。^{3737ISO 9241-11:2018 Ergonomics of human-system interaction — Part 11: Usability: Definitions and conceptsiso.org前往参考资料 ↓在新标签页中打开}

1990 年代后期至 2000 年代，可用性测试开始从专门实验室向「低成本、快速」的折扣可用性工程（discount usability engineering）转变，Nielsen 提出的简化测试流程与「走廊测试」等做法降低了测试门槛。^{3636Usability Engineeringnngroup.com前往参考资料 ↓在新标签页中打开}

眼动追踪、面部表情识别与生理信号（如皮电、心率）等生物测量手段被逐步引入可用性测试，用于补充主观报告难以捕捉的注意力与情绪反应。^{3838Eye Tracking in Usability Testing: A Review of Methods and Applicationstandfonline.com前往参考资料 ↓在新标签页中打开}

可用性测试与自动化工具的结合催生了「自动化可用性评估」方向，研究者尝试用日志分析、机器学习模型对界面可用性问题进行自动识别，但这类方法目前仍主要作为人工测试的补充而非替代。^{3939Automated Usability Evaluation: A Systematic Mapping Studydl.acm.org前往参考资料 ↓在新标签页中打开}

在智能座舱场景中，可用性测试的工具化表现为驾驶模拟器、实车路测与眼动/生理测量平台的结合，用于在分心驾驶约束下评估人机界面。^{4040Usability Evaluation of In-Vehicle Information Systems: Methods and Challengessciencedirect.com前往参考资料 ↓在新标签页中打开}