简介本资源是一套面向高校计算机相关专业学生的人机交互课程实验资料合集尤其适合需要完成课内实验与期末综合性大作业的学习者。内容围绕人机交互的基本概念、用户研究方法、界面设计原则、交互模式、无障碍设计及评估反馈展开涵盖二维画图板、语音交互、订单管理系统界面、BBS系统设计、VRML虚拟现实交互等典型实验场景从需求分析到原型制作再到测试评估形成较完整的实践链路。资料共86个文件以实验报告doc、教学ppt、C源程序及头文件为主另含位图资源、VRML场景文件及软件工具包压缩包约24.97MB分类存放便于按实验顺序查阅。其中既包含可运行的示例程序也有详细的设计文档和说明能够作为动手实践、撰写报告和扩展交互设计的直接参考。该资源已有2483人学习对于希望系统掌握HCI实验方法并快速上手综合项目开发的同学具有较高的借鉴价值。1. 人机交互实验报告和最后大实验不是写总结是做一个能站住的结论人机交互实验报告在很多课程里都容易被当成“实验做完之后的复盘文档”来写而最后大实验则被当成一个期末凑数项目。实际上这两件事是一体的报告是实验设计的载体最后大实验是你把一门课的知识走完一整遍闭环的证明。你真正要交付的不是几页文字也不是一个能跑的Demo而是一个「变量可控、数据可复现、结论可讨论」的交互实验。这篇文章不绕原理直接从报告怎么搭框架、实验怎么设计、数据怎么分析、坑在哪里讲完让新手能照着执行也让做过一轮的同学看到自己翻车在哪。2. 实验报告不是复盘是设计先把七个章节的骨架立起来很多同学一上来就打开空白文档写完背景写方法写到结果发现数据根本撑不起结论再回头补实验设计这是本末倒置。人机交互实验报告的写作顺序应该是先定结论形态再定数据指标再定实验任务最后才动笔写文字。报告本身不是一个记录工具它是一个设计工具。2.1 一份报告骨架从引言到附录每部分该填什么一份标准的人机交互实验报告通常由七个部分组成。这里说的“标准”不是我自定义的而是大多数课程评分规则里默认存在的结构引言与文献综述、实验目的与假设、实验方法、实验结果、讨论、结论、附录。关键不是记住这七个名字而是要清楚每个部分承担的举证责任。章节举证责任常见错误引言说明为什么这个问题值得研究堆背景没有聚焦到交互细节假设给出可被推翻的明确预期假设写得太笼统无法用数据回答实验方法让任何人照着做能复现不写被试数量、任务顺序、环境条件实验结果用统计量和图表回答假设只贴原始数据不处理或只写“有差异”讨论解释差异为什么存在、边界在哪把结果换个说法再写一遍结论一句话回答假设并说明局限写满一页把讨论又重复一遍附录放问卷、指导语、原始数据表空着或者把全部数据堆在正文里我一般建议把实验方法、实验结果、讨论三部分的总字数控制在全文的65%以上。引言和结论各占10%就够剩下的在附录里沉淀。理由很简单老师看一份报告先看假设是否明确再看方法是否能复现最后看结果和假设是否闭环。三段中间任何一个断裂后面写再多都是无效信息。写实验方法时有一个粗暴但有效的自检方式把这一章发给同课程的任何一位同学问对方能否不看你的其他章节就能重构出整个实验。如果对方说“还需要问你怎么招募被试、任务顺序是什么”那就是没写到位。方法章节就是要达到这种可复现程度否则你的实验结论只能停留在“我感觉这样更好”的阶段。2.2 三个变量怎么设经典交互变量组合与最小样本人机交互实验其实特别适合用经典的三变量框架来组织这也是课程实验最容易拿分的设计方式。自变量是你主动改变的东西因变量是你测量的东西控制变量是你要按住不动的东西。很多实验报告翻车的起点就是变量没写清楚或者写清楚了但实验根本没控制住。变量类型例子要求自变量界面布局A密度布局 vs B留白布局、反馈方式即时文字反馈 vs 动画反馈通常设 23 个水平太多会撑爆被试量因变量任务完成时间秒、操作错误率%、主观满意度7点量表至少要一个客观指标加一个主观指标控制变量屏幕分辨率、任务难度、环境光照、被试的软件使用经验在方法章节里写明并在实验时落实这里有一个比较关键的取舍自变量设置两个水平最常见也最容易做出显著差异三个水平会让结论更丰富但需要的被试量成倍增长。以课程单次实验为例我见过太多人设计了 3×2 的双因素实验最后因为被试只有 12 个人交互效应根本算不出来只能草草收场。如果你没有十足的精力就老老实实做单因素两个水平每组 10 到 15 人这足够应对大多数课程场景。被试内设计对被试量的需求更友好因为它让同一批人在两个条件下各做一遍自身差异被抵消统计功效更高。代价是必须先做一半人的条件顺序防止学习效应污染结果。这一步的操作方式不复杂在招募表里预设两种顺序被试 1 先做 A 再做 B被试 2 先做 B 再做 A交替分配就能大体抵消顺序带来的偏差。2.3 把实验流程做成表任务顺序、计时与记录条目实验流程不要写在叙述文字里要写成一张操作表。一张表能看出任务顺序是否合理、每个阶段记录什么数据以及时间预算是否够用。我常用的任务表包含四个字段阶段名称、时长、任务内容、要记录的数据。课程实验通常控制在 40 分钟到 60 分钟之间超过这个时长被试的疲劳会开始污染主观评分最后几题可能随便勾。阶段时长任务内容记录数据引导5 分钟签署知情同意阅读指导语填写背景问卷被试编号、年龄、使用经验等级练习8 分钟在正式界面上做 2 个简单任务不计入数据确认被试理解任务定义正式任务A12 分钟完成 6 个规定任务表单填写、导航查找、购物流程每个任务的完成时间、错误次数休息2 分钟空白页面停留无正式任务B12 分钟完成与A相同的 6 个任务但在另一个界面条件中同上主观问卷8 分钟填写满意度量表和几个开放性问题7点量表数据、定性反馈收尾3 分钟简短访谈询问偏好与原因访谈笔记注意一个细节任务A和任务B里使用同一批任务只是在另一个条件下再做一遍这样你才能把差异归因于界面条件而不是任务难度。任务顺序要交替做一半被试先A后B一半被试先B后A这就是前面说的抵消顺序效应。这套流程表同时是你写方法章节的底稿也是实验当天照做的执行单。数据记录不要在纸上做二次转录直接让被试在电脑上操作记录员操作一个带时间戳的表格字段和任务表保持一致后面数据分析会省很多事。3. 最后大实验从选题到跑完四步执行路径最后大实验和平时小实验的本质区别在于完整性。小实验可能只测一个界面的完成时间大实验要求你从问题出发经历文献、假设、原型、实验、数据分析到结论的全流程。很多同学把精力全放在原型实现上结果做了一个很华丽的东西但实验设计太弱最后报告没法写。这里给出一条比较稳妥的执行路径。3.1 选题先做减法三个适合课程规模的实验方向最后大实验的选题首要标准不是新颖而是在有限时间内能做完、能用数据回答。我见过几个比较稳妥的方向界面布局对比、反馈方式对比、输入方式对比。这三个方向都只涉及一个自变量实现成本在原型层面可控而且都有大量已有文献可以引用写文献综述时比较容易落到具体问题。选题方向自变量示例因变量示例实现成本布局对比密集列表 vs 卡片布局导航查找时间、错误率低改版即可反馈方式对比文字提示 vs 图标动画提示任务完成时间、操作重试次数中需要动画逻辑输入方式对比鼠标点击 vs 快捷键操作完成时间、主观负荷低绑定事件即可反方向同样值得看凡是需要眼动仪、脑电设备、大规模在线平台的选题除非你确认设备可借且流程熟练否则不要碰。某位同学曾经选了语音助手的多轮对话设计结果工具链不稳定被试来了 5 个人都因为语音识别失败而中断实验最后只能改题目白白浪费了两周。课程实验的选题判断标准很简单如果第 3 周你还没有一个能开始跑被试的原型就果断做减法。明确选题后要把它压缩成一句话假设。不要写“不同界面会影响用户体验”要写成“与列表布局相比卡片布局能显著降低用户在商品筛选任务中的平均完成时间”。这里的“显著降低”必须有统计检验作为依据这是后面所有工作的靶子。3.2 原型做到什么程度才算够低保真和高保真的边界最后大实验需要原型但大多数情况下不需要高保真原型。你要测的是“布局是否影响查找效率”而不是“视觉细节是否让人愉悦”。高保真原型的制作成本会让很多同学把时间花在调间距、选图标上而对实验设计草草了事。这里给出一个判断标准你的自变量是否只体现在一个特征上如果是原型做到能操作、能被记录事件即可。低保真原型用原型设计工具做出可点击的线框图就足够跑可用性测试。高保真原型有两个额外成本一是实现交互细节需要时间和代码调试二是高保真的视觉风格会引入额外变量——被试可能因为某个颜色更好看而产生偏好干扰你真正要测的自变量。这是人机交互实验里非常常见的混淆变量会让结论说不清。如果需要模拟真实系统你可以用一个带基础交互功能的原型工具加少量脚本来记录点击位置和停留时间。常见做法是做两个版本的同一个界面逻辑相同、布局不同然后用事件监听把操作记下来。原型能记录什么数据直接决定了实验能不能做。如果原型本身没有埋数据点只靠现场观察员的笔头记录数据质量和分析深度都会受限。3.3 被试 5 人就够招募与实验实施的落地清单可用性测试里有一个经常被引用的经验规律5 个被试就能发现大部分可用性问题。这个规律对课程实验同样适用但要注意它在“发现问题”场景下成立如果你要做统计检验比如对比两个布局的完成时间差异5 个人是远远不够的。我自己的做法是做探索性可用性测试用 56 人做对比实验至少 12 到 15 人。前者是为了发现设计问题后者是为了得出可量化的结论。场景人数目的统计处理快速可用性测试56找明显问题、改进原型不需要显著性检验两类布局对比1215证明一个比另一个快配对/独立样本t检验三水平单因素每组 1215找出最优水平单因素ANOVA被试招募的渠道通常是课程群和校园公告。关键是招募时要筛掉“和本实验高度相关”的人——比如同专业且已经知道你这个原型逻辑的同学。他们的背景经验会让他们比真实用户更少犯操作错误导致数据失真。比较稳妥的做法是在招募问卷里问一个简单问题过去三个月内是否使用过同类产品并设置使用频率的标准实验后把极高频用户的数据单独标记。实验实施环节要提前确定场地和设备。借用实验室或空闲教室固定同一台电脑、同一个显示器、同一套键盘鼠标。环境噪声、屏幕亮度、输入设备差异这些在统计层面可能就是误差项如果你不控制它们数据显示不出差异时根本说不清是设计真的没差别还是环境把信号淹没了。3.4 实验前把记录单定死数据采集字段清单很多实验最终写不出漂亮报告不是因为没有结果而是因为记录的数据字段不全。常见情况是实验做完了回头要分析时发现忘了记每个任务的开始时间或者满意度问卷只收回了 8 份有效答卷。提前把数据采集字段定死是避免这种后悔药需求的关键。数据类别字段类型说明被试信息被试编号、年龄、使用经验等级分类/数值编号与问卷绑定任务完成时间每个任务的开始时间和结束时间毫秒级时间戳由原型自动记录错误行为操作失败次数、重试次数、点击非目标区域次数数值由观察员记录或脚本统计主观评分7点量表得分17 数值建议用同一份量表在后测阶段收集定性反馈偏好选择、开放性问题回答文本用于讨论章节支撑材料这里有一个容易被忽视的点知情同意和背景问卷要在正式任务前完成而主观问卷要在任务完成后立刻收集。如果间隔太久被试会忘记操作过程中的感受给出的评分会变成对一个模糊印象的评价甚至受到同组其他人讨论的影响。实验时我会同时安排一个人在旁做观察记录但记录的内容不是“他点了哪里”而是“在哪个任务卡住了多久”“是否出现了未预期的操作路径”。这类定性信息不会进入统计表但会在讨论章节里帮你解释为什么数据长这样。这个角色不需要很专业提前把记录表打印好按字段打钩即可。4. 数据整理与结果呈现不靠感觉靠统计和图表实验跑完手里拿到一堆时间戳和问卷得分接下来才是真正决定报告高度的环节。人机交互实验的数据处理有一个常见的惯性错误把数据直接粘进表格算一下平均值然后凭感觉说“A布局比B布局快了两秒所以A更好”。这在一门严肃的课程里是站不住的因为两秒的差异可能是随机波动你需要用合适的方法告诉读者这个差异是否可靠。4.1 数据清洗第一步把无效任务和异常值剔除实验原始数据是最容易出现脏数据的。典型的脏数据包括某被试中途因为系统崩溃重做了某个任务完成时间异常长某个任务因为被试误解指导语而根本没完成某位被试在填写量表时连续多项勾同一个分值明显在敷衍。这些数据不做处理就进统计结果很容易被几个极端值带跑。我的处理顺序是先把每条任务记录的完成时间转成秒并标注是否在规定内完成。然后计算每个任务的完成时间分布用箱线图找出离群点把超过均值加三倍标准差的值标为异常。异常不代表一定删除而是要先回看实验记录如果备注栏写着“被试中途被电话打断”那这个值应当剔除如果没有任何异常备注就先保留再看它在分组内的位置。数据清洗要记录过程。最终报告中建议写一行话例如“剔除 2 名未正确完成任务的被试数据以及 3 个被中断任务的记录最终纳入 14 名被试数据”。这个透明度很重要它让读者知道你的结论不是挑选有利数据后得到的。你删除的每一条数据都应该有据可查。4.2 统计方法怎么选两组用 t 检验多组用方差分析统计方法的选择不复杂主要是看自变量有几个水平以及被试是否重复参与所有条件。两个水平、同一批人做了两种布局用配对样本 t 检验两个水平、两组人分别做一种布局用独立样本 t 检验三个及以上水平或者有两个自变量用方差分析。主观满意度这类量表数据处理方法与完成时间相同也可以做同样的检验。有一个概念需要提前想清楚p 值小于 0.05 只能说明“差异不太可能是随机波动”不等于“差异有多大”。报告里除了 p 值还要给出均值、标准差和效应量。课程报告里我建议至少报告均值与标准差并用一句话说明差异的方向。比如“卡片布局平均完成时间 38.2 秒标准差 6.4列表布局平均 46.8 秒标准差 8.1t(13)3.12p0.008”。这个句式可以直接套用。如果检验结果显示 p 大于 0.05也不要急着改数据或换统计方法。更可能的情况是样本量太小或任务数据的方差太大。此时可以在讨论章节里说明趋势存在但未达显著这本身是一个有价值的结论至少说明当前设计差异不足以让人感知。课程报告里如实呈现不显著的结果比硬凑显著更能反映你对研究方法有理解。4.3 数据处理脚本从 CSV 到显著性检验的最小 Python 实现这里给出一份可直接修改的数据处理脚本适用场景是数据文件是一个 CSV包含被试编号、条件、任务完成时间等字段。我一般在实验结束后先用这个脚本做快速查看确认数据形态再决定用什么统计方法。import pandas as pd from scipy import stats # 读取实验导出的数据 # 预期字段participant(被试编号), condition(条件A/B), task_time(单任务完成时间, 秒) df pd.read_csv(human_experiment_data.csv) print(df.groupby(condition)[task_time].describe()) # 清洗移除单任务完成时间大于均值3倍标准差的异常记录 # 先剔除条件A中的极端值再处理条件B避免全局均值掩盖分组差异 for cond in df[condition].unique(): subset df[df[condition] cond] cutoff subset[task_time].mean() 3 * subset[task_time].std() df df[~((df[condition] cond) (df[task_time] cutoff))] # 按条件和被试汇总平均完成时间 # 同一被试在两种条件下各做多个任务先求个人均值再进入统计 pivot df.groupby([participant, condition])[task_time].mean().reset_index() group_a pivot.loc[pivot[condition] A, task_time] group_b pivot.loc[pivot[condition] B, task_time] # 配对t检验 # 如果实验是被试间设计不同被试做不同条件把下面一行换成ttest_ind t_stat, p_value stats.ttest_rel(group_a, group_b) print(ft {t_stat:.3f}, p {p_value:.3f})这段脚本的逻辑分三层第一层读取原始 CSV先看每个条件的基本分布第二层清洗异常值第三层把多次任务汇总成被试层面的平均完成时间再做配对检验。这样做的原因是同一个被试在同一个条件下做了 6 个任务如果把 6 个任务当成独立样本会人为放大样本量让统计更容易显著这是很常见的统计误用。参数说明cutoff 的 3 倍标准差是常用的异常值界定规则但课程小样本里这一刀要谨慎。样本量只有 15 人时一个极端值真的可能影响结论所以我建议先人工检查备注栏再决定是否剔除。另外ttest_rel 要求两个数组长度相同且顺序一一对应pivot 会按 participant 排序要确认条件 A 和 B 的被试顺序一致后再跑检验。5. 人机交互实验避坑五个翻车点与补救办法这一章是从我自己和周围人反复踩过的坑里提炼出来的基本覆盖了课程实验的大多数问题。每一条都按现象、原因、解决来写方便你在实验的某个阶段突然发现“我好像中招了”的时候直接对照处理。5.1 顺序效应让数据全面失真先做的条件总是更差现象很多同学在实验结果里发现不管界面做得多好被试在第一个条件里的完成时间都明显高于第二个条件。感觉结论可能被某种顺序影响但说不清。原因被试内设计里先做的条件承担了“学习如何完成任务”的成本。被试在第一个条件里学会了操作逻辑到第二个条件时已经熟练操作更快、错误更少。如果不抵消这个差异实际测到的是“顺序”而不是“界面”。解决在招募被试时随机分配两种顺序一半人先做布局 A 再做 B另一半先做 B 再做 A。分析数据前先做一次顺序校验看两种顺序下同条件的表现是否有明显差异。报告方法章节里写明“采用拉丁方设计平衡任务顺序”这句话会体现专业度。5.2 样本量太小导致结论不显著p 值卡在 0.08现象两个条件的均值看着差了不少比如 A 平均 35 秒、B 平均 42 秒但 t 检验的 p 值却是 0.08报告写起来非常尴尬。原因样本量不足和组内差异过大是主因。每个被试的操作时间波动很大10 个人的数据里只要有一两个人特别快或特别慢标准误就会变大把 p 值推过 0.05 的线。样本量小的时候统计检验的灵敏度根本不够捕捉几十秒的差异。解决实验设计阶段就把目标样本量定为每组 12 到 15 人。如果实验已经跑完了而且不便补充被试可以把任务数据先做汇总再分析减少个体间差异的影响。如果还不行如实报告“趋势存在但未达显著水平”并在讨论里解释样本量局限。不要尝试用单个任务替代被试作为独立样本那属于统计上不太说得通的做法换来的显著会让人质疑。5.3 主观量表全程打同一个分问卷数据没有区分度现象满意度问卷收回后发现几乎所有被试都给所有题目打了 4 分或 5 分两个界面条件的得分几乎相同主观数据完全说明不了问题。原因量表提问太笼统是主要问题。“你觉得这个界面好用吗”这种问题会让被试倾向于给一个保守的中间分。如果被试对两个界面的差异感知不强烈就可能用同一个分数草草作答。解决把量表题改成更具体的维度比如“你觉得这个界面的信息密度是否合适”“你在查找目标信息时的费力程度”。用 7 点李克特量表而不是 5 点强制被试做出更细的区分。实验结束后口头追问一句“两个版本里你更喜欢哪个”这个偏好数据虽然不进统计表但在讨论章节里很有用。5.4 实验环境不受控数据差异被噪声淹没现象实验在不同时间、不同场地进行有些人用的是实验室大屏有些人用自己笔记本。结果发现同条件内的完成时间方差特别大组间差异完全被个体差异掩盖。原因屏幕尺寸影响信息密度感知键盘鼠标手感影响操作速度环境噪声影响注意力。这些本应是控制变量的因素因为没有统一就被放进了误差项。解决所有被试尽量安排在同一个场地、同一台设备上实验。如果有困难至少保证同一台电脑和显示器。记录实验开展的时间段避免让被试在午餐后犯困或者深夜疲劳的状态下参与。报告里写明环境条件让读者知道你对这部分做了约束。5.5 数据临时补录报告里前后数字对不上现象写报告时发现实验记录缺少某几个任务的完成时间于是凭印象补了几个数字。结果方法章节说“共 15 名被试”结果表格里只有 13 条记录或者任务总数前后不一致。原因实验时只做了纸笔记录事后没有及时归档或者原型没有自动记录事件完全依赖观察员手工记时间。补录的数据会导致报告内部矛盾在审阅人眼里这是致命的可靠性问题。解决使用原型自动记录时间戳和错误次数纸笔只作为备注辅助。实验当天结束后立刻导出数据文件并检查字段完整性。如果你发现自己正在“回忆”某个数值并补进表格说明实验流程存在问题宁可删除这条不完整记录也不要凭记忆补数。提示这五条里最值得花时间预防的是第二和第三条因为它们影响的是结论是否成立的问题而后面的报告写作、图表美化都建立在一个可靠的结论之上。6. 报告从“完成作业”到“能拿得出手”三个进阶动作如果你的实验数据本身没有重大瑕疵统计检验也出了结果那么接下来的差距就在分析和叙述层面。同样是两个条件差异显著有的报告让人看完只觉得“数学上显著”有的报告能让人认同“这个设计原则值得借鉴”。差别来自你有没有把数据讲成一个有洞察的故事。第一个进阶动作是做学习曲线分析。把被试在两种条件下的任务按顺序分成前三个任务和后三个任务分别计算完成时间平均值。你会发现一个有意思的模式如果某个布局的学习成本低被试在第二个任务上就能快速进入稳定状态如果另一个布局第一次操作很慢后续也不会有太大改善。把这个趋势用折线图画出来能让你结论的厚度提升一大截。第二个动作是按被试的使用经验分层看数据。招募时记录被试的同类产品使用经验等级分析时把数据分成高点经验、高低经验两组。很多界面差异只在新手群体里显著在熟悉这个产品形态的熟手身上几乎没有区别。这类发现会让讨论章节非常出彩因为它指出了一个边界条件你的结论适用于谁、不适用于谁。第三个动作是把统计结果和定性访谈交叉验证。被试在问卷里写的“我觉得 B 版更清晰”对应到完成时间上也确实更快这种交叉印证能大幅提升结论的可信度。我会在报告里专门用一个小表格列出定性评论摘录与对应定量数据的对照让读者直观看到两类证据指向同一个结论。回顾来看我自己在第一次做这类实验时最深的教训是把精力花在原型美化上导致实验设计只有两周时间最后数据不显著只能硬着头皮写讨论。后来每次做实验我都会在最开始问自己一个问题“如果数据跑出来不显著我的报告还能不能写”如果能写说明你的实验设计和讨论空间是充分的如果不能说明选题和假设本身就太窄了。这个习惯我保留至今。希望这篇内容能帮你在人机交互实验报告和最后大实验上少走一圈弯路把时间花在真正能积累经验的地方。本文还有配套的精品资源点击获取