简介面向人机交互课程学习者及需要完成实验报告、课程大作业的本科生这份资料包围绕用户研究、界面设计、交互模式与可用性评估展开覆盖二维交互画图板、语音交互程序、订单管理与BBS界面设计、VRML虚拟现实交互等实验并包含最后综合大实验的完整参考。包内共86个文件、约24.97MB以bmp界面素材、doc实验报告、ppt课件、cpp/h源码、pdf教程和wrl虚拟场景为主兼有obj、exe等编译运行文件便于对照源码、报告与演示材料还原实验过程。已有2487人学习可用于梳理从需求分析、线框图、原型迭代到用户测试的完整流程也能借鉴实验报告的组织方式、界面设计原则、反馈机制与评估思路以及VRML和语音交互的具体实现为课程作业和项目实践提供可复用的参考。1. 先看地图人机交互实验报告的四段证据链人机交互实验报告以及最后的大实验考的是你能不能把「用户—任务—界面—评估」四段串成一条别人能照着复现的证据链并非某个原型工具用得多熟。很多人把实验报告写成截图合集把大实验做成界面展览分数自然卡在及格线附近。这门课真正的骨架是用户研究定问题任务分析定结构设计原则定界面评估数据定对错四段各有方法和指标缺一段报告就站不住。梳理下来会发现期末大实验只是把这四段在一件完整作品上重跑一遍篇幅变长、链路变完整方法并没有换。这篇笔记适合正在赶实验报告、准备大实验答辩或者考前想把整门课重新捋一遍的人。2. 用户研究与需求访谈、问卷到 Persona 的证据沉淀这一章决定整份报告的上限。用户研究做虚了后面的任务分析就是在编评估也只能证明「你自己觉得好用」。重点是每一步都要留下可追溯的原始材料访谈录音、问卷原始数据、观察笔记这些是报告附录里的硬通货。2.1 三种主流方法的取舍访谈、问卷、观察各管什么方法本身没有优劣错配才致命。访谈擅长挖「为什么」问卷擅长量「有多普遍」观察擅长抓「说和做不一致」的地方。实验报告里最常见的翻车是用问卷去问开放式的动机问题或者用访谈去推全体用户的分布比例。方法适用阶段典型样本主要产出常见误用半结构化访谈需求探索5–8 人至信息饱和真实场景、痛点原话诱导性提问把受访者当设计师问卷需求验证、态度测量定量分析建议 30 份以上分布、优先级排序双重问题、选项不互斥现场观察 / 情境访谈需求探索3–5 个真实场景隐性流程、变通做法只看不问记录里全是自己的解读日记法长周期行为8–15 人时间维度上的触发点依从性衰减后期记录敷衍焦点小组概念碰撞每组 5–8 人分歧点、共同语汇从众效应被强势发言者带偏访谈的关键在提问方式。把「你觉得这个按钮是不是很难找」换成「上次你用这个功能是什么时候当时怎么操作的」答案的性质就完全变了。前者是在收集认同后者是在收集事件。半结构化提纲一般控制在 8–12 个主问题每个主问题下面备两三个追问问完一轮再补问「还有吗」往往会挖出最有价值的那条。问卷设计的重点是题目要单向。一道题里塞两个判断比如「界面简洁且操作流畅」受访者勾了「同意」你根本不知道他同意的是哪半句。李克特 5 点或 7 点都行但全套要统一别一半 5 点一半 7 点。正式发放前找三五个人做预测试看有没有人问「这题什么意思」有就说明题目没写清。2.2 从原始材料到 Persona 与用户旅程图原始材料不能直接进正文中间要做一次聚类。把访谈逐字稿里的原话剪成一条条卡片按「目标 / 行为 / 痛点 / 现有替代方案」四类做亲和图聚类同一类里反复出现的才值得抽象成结论。只出现一次的观点不是不能写但要标明是个案。Persona 的作用是把聚类结果人格化让人一眼记住目标用户长什么样。一页纸通常包含虚构代称与角色标签、一句能代表态度原话的引言、行为特征使用频率、使用环境、设备偏好、核心目标、主要痛点、技术熟练度。最容易犯的错是往里塞没有数据支撑的细节比如凭空写「她喜欢在通勤路上使用」结果评审一问数据来源就露馅。每个字段都应该能指回某条原始记录。用户旅程图则是把时间维度加进来阶段、用户行为、触点、当时的想法、情绪高低、痛点和机会点。情绪曲线是全图最有信息量的部分那些明显下沉的谷底就是你后面要设计的核心功能点。梳理下来会发现一份好的旅程图基本已经把信息架构和主流程画出了一半。2.3 需求转写与优先级把「用户说的」变成「可验证的」用户说的永远是需求语言比如「我想快点找到上次的记录」。报告里要往下翻译两层功能需求是「提供历史记录的快捷入口与检索」可验证指标是「老用户在 3 次点击内、10 秒内找到 7 天前的某条记录」。没有指标的需求没法验收也没法设计测试任务这是很多实验报告丢分的地方。场景剧本是转写的好载体。一段剧本写清五件事谁、在什么情境下、想达成什么目标、现在用什么办法、卡在哪一步。写法上把自己代入不要写成功能说明。优先级排序用 MoSCoW 就够用必须有、应该有、可以有、这次不做。四档分完大实验的范围自然就锁定了不至于做到最后一周还在加功能。提示需求条目写完做一次自检每条问一句「如果这条不满足用户会怎么样」。答不上来的多半是伪需求或者写得太笼统。3. 任务分析与原型从 HTA 拆解到可点击界面用户研究告诉你问题在哪任务分析告诉你结构该怎么分。这一章的重点是把「用户想干什么」拆成可数的步骤因为后面评估时用到的任务完成率、任务时间、操作步数全都依赖这里拆出来的层级。3.1 层次任务分析 HTA把目标拆到可数的操作HTA 的核心是把一个高层目标逐级分解成子任务和操作并用 plan 描述执行顺序。它的价值在于把「操作繁琐」这种模糊评价变成一个可以数出来的数字完成挂号要 4 层、17 步其中 6 步是重复输入。一个典型的拆解长这样0. 在自助终端完成一次挂号 1. 选择科室 1.1 浏览科室分类列表 1.2 或使用搜索框输入科室名 2. 选择医生 2.1 查看医生排班 2.2 查看医生简介 3. 选择就诊时段 4. 确认信息并支付 plan 0执行 1-2-3-4若 3 无可选时段返回 2 重新选医生 plan 1优先执行 1.2失败时退回 1.1写 HTA 有两个技术点常被忽略。一是停止规则不要无限往下拆判断标准是「继续拆能否带来新的设计洞察」常用的经验判断是失败概率乘以失败代价两者都低就停。二是 plan 必须写清楚分支和回退路径只写顺序不写分支的 HTA 相当于没做分析因为真实的卡点几乎都在分支上。拆完拿红笔标三类步骤可以不做的、可以合并的、可以交给系统自动完成的。这三类标出来的数量就是你在报告里论证「新方案减少了多少操作」的直接依据。3.2 GOMS 与 KLM给「效率」一个可算的数GOMS 是目标、操作符、方法、选择规则四件事的合称属于认知层面的任务建模。真正能在实验报告里落地的是它的简化版 KLM也就是击键层模型把一次交互拆成若干标准操作符每个操作符有公认的时间值累加就得到专家用户完成该任务的预估耗时。操作符含义时间秒K击键或点击一次0.28一般打字员熟练 0.20最快 0.12P鼠标指向目标1.10B按下鼠标按键0.10H手在键盘与鼠标之间归位0.40M心理准备、思考下一步1.35R系统响应时间实测填入# KLM 预估在搜索框输入 4 个字符并回车 TIME {K: 0.28, P: 1.10, B: 0.10, H: 0.40, M: 1.35} def klm(seq, system_response0.0): seq 为操作符序列system_response 为实测的系统响应秒数 return round(sum(TIME[op] for op in seq) system_response, 2) # M 定位心理准备PB 移动并点击输入框K 四次输入M 思考K 回车 print(klm([M, P, B, K, K, K, K, M, K], system_response0.6)) # 输出 5.9即专家路径预估约 5.9 秒这段代码的用途是给方案对比提供量化依据把旧方案的路径和新方案的路径各算一遍差值就是「效率提升」的数值。参数上要注意两点K 的取值跟用户打字水平强相关报告里必须写明你用的是哪一档否则数字没法复现M 的插入位置带有判断成分一般只在需要决策或视线大幅转移的地方插一个插多了时间会被高估。KLM 的局限也要在报告里讲清楚它只描述无差错的专家操作路径不含视觉搜索、不含出错重试、不含认知负荷。所以它适合同一任务不同方案的相对比较不适合当作绝对的用户耗时预测。顺带把 Fitts 定律用上。目标获取时间与「距离除以目标宽度」的对数成正比落到设计上就是两句话高频操作的按钮要够大且离上一次点击的位置要近。移动端的点击区域建议不小于 44×44 pt这不是玄学是误触率曲线的拐点。3.3 设计原则与原型保真度低保真验证结构高保真验证观感设计原则这一块考试和答辩都爱考但真正有用的是拿它当检查表用。把十条原则摊开一条条对着自己的界面走一遍能捞出一半的低级问题。原则一句话解释常见反例系统状态可见用户随时知道系统在干什么提交后无反馈用户反复点击贴合现实世界用用户的词不用系统的词按钮写「执行事务提交」用户控制与自由误操作能撤回删除无二次确认、无撤销一致性与标准同类元素行为一致两个页面返回按钮位置不同错误预防让错误压根发生不了日期让用户手输而不是选择识别优于回忆把选项摆出来别让人记让用户记住上一步的编号灵活与高效给熟手留快捷路径只能一步步点没有搜索美观与极简无关信息不该出现首页堆满公告和广告位帮用户识别与修复错误错误提示说人话并给方案只弹「操作失败错误码 500」帮助与文档需要时能查到帮助入口藏在设置第三层低保真原型纸原型、线框图验证的是信息架构和主流程成本低、改起来快用户面对粗糙的稿子反而更敢提意见。高保真可交互原型验证的是视觉层级和微交互但它有个副作用做得越精致用户越不好意思批评容易收到一堆「挺好的」。所以正确顺序是先低保真把流程跑通再高保真确认观感别一上来就做高保真。重点在于保真度要和验证目标匹配别为了好看提前消耗时间。大实验里通常是一轮纸原型走查加一轮高保真可用性测试两轮之间必须有明确的修改记录这条修改记录本身在报告里就是加分项。4. 评估与数据启发式走查、可用性测试与统计口径到这一章前面的设计全部变成待验证的假设。评估要回答的只有一件事用户能不能顺利完成卡在哪有多严重。难点不在于跑一遍流程而在于把主观感受转成能写进报告的、有口径的数据。4.1 启发式评估先自查再上用户启发式评估是专家走查3–5 名评估者各自独立过一遍界面对照设计原则列出问题再合并去重、评严重度。它便宜、快适合在用户测试之前先把低级问题清掉免得浪费被试时间。严重度评级用 0–4 五档0 是「不算问题」1 是「外观层面可以缓」2 是「轻微影响效率」3 是「严重用户会明显受挫」4 是「灾难级任务无法完成」。每条问题必须写清四件事出现位置、违反了哪条原则、复现步骤、严重度。只写「首页有点乱」的条目评审直接跳过。最容易忽略的是评估者构成。设计者本人不能是唯一评估者你对自己界面的容忍度会显著高于陌生人很多问题在你眼里是「用户会懂的」。至少要凑三个背景不同的人一个懂交互的、一个懂业务但不懂界面的、一个完全的目标用户。三个人的问题列表合并后去重重合的那几条基本就是真问题。启发式评估和可用性测试不是替代关系。前者发现的是「违反原则」后者发现的是「真实卡点」。一个界面可以十条原则全踩用户照样能用也可以原则全守用户还是找不到入口。报告里两段都写才是完整证据。4.2 可用性测试任务、被试与出声思维定性可用性测试的经典样本量是 5–8 人理由是大问题在前几个人身上就会重复暴露。定量研究要谈比例和显著性样本量得往 20 以上走这一点在实验报告里必须写清楚别用 5 个人的任务完成率去下「90% 的用户能完成」这种结论。任务设计是全场最容易翻车的环节。任务必须目标导向不能带操作路径。「请点击左上角的搜索框输入关键词并回车」是操作说明不是任务「请找到上周买过的那款耳机并再次下单」才是任务。任务卡上只写情境和目标不写步骤主持人也不许提示。主持人的行为准则就三条不引导、不救场、用中性追问。用户卡住时最想问「你看到那个按钮了吗」忍住。可以问的是「你现在在想什么」「你期望这里发生什么」。用户一旦提问「我是不是该点这里」标准回应是「你觉得呢」。这些话术看起来机械但它是保证数据可信的前提。出声思维分同步和回溯两种。同步出声思维能抓到当下的判断代价是会略微拖慢操作测任务时间时要单独说明回溯式访谈在任务结束后立刻进行边放录像边问适合补上「当时为什么犹豫」。实践里常把两者结合操作时要求尽量说卡住时不打断结束后再回头问。记录表按任务一行字段包括是否完成完成 / 部分完成 / 失败、耗时、出错次数、求助次数、卡点描述。部分完成要定义清楚标准比如「完成了下单但选错了规格」这类数据在讨论部分比成功失败二元判断有用得多。4.3 量表与统计SUS、NASA-TLX 与显著性检验SUS 是十道题的五点量表奇数题正向、偶数题反向计分方式见下面的代码。它的原始总分是 0–40乘 2.5 映射到 0–100注意这个分数不是百分比别在报告里写成「可用性 82%」。经验参考值是均值 68 左右80 以上算好70 以下说明有明显问题。def sus_score(responses): responses长度 10 的列表按题号 1..10 顺序传入取值 1-5 if len(responses) ! 10 or any(not 1 r 5 for r in responses): raise ValueError(需要 10 个 1-5 的整数) total 0 for i, r in enumerate(responses, start1): # 奇数题正向计分减 1偶数题反向用 5 减 total (r - 1) if i % 2 1 else (5 - r) return total * 2.5 # 0-40 映射到 0-100 print(sus_score([4, 2, 5, 1, 4, 2, 4, 2, 5, 2])) # 输出 85.0这段逻辑里唯一容易错的是方向。偶数题本身就是负向表述比如「我觉得这个系统没必要这么复杂」用户勾「非常同意」代表体验差必须反向计分。方向搞反不会报错只会让分数虚高十几分而且很难自查出来答辩时被问一句「你这分数怎么算的」就露馅了。NASA-TLX 测的是负荷六个维度脑力要求、体力要求、时间压力、绩效感受、努力程度、挫败感各维度 0–100 打分可以只报原始均值Raw TLX也可以在报告里说明加权方式。它和 SUS 互补SUS 测结果好不好用TLX 测用起来累不累。有了数据就要谈检验。同一批用户先后用旧版和新版属于配对设计两组不同用户各用一版属于独立组设计。前者用配对 t 检验或 Wilcoxon 符号秩检验后者用独立样本 t 或 Mann-Whitney U。三组以上用方差分析或 Friedman 检验。选哪个取决于正态性样本量小的时候先做 Shapiro-Wilk。from scipy import stats # 同一批被试先后使用旧版与新版SUS 分数配对设计 old [72.5, 65.0, 80.0, 55.0, 67.5, 75.0, 62.5, 70.0] new [85.0, 77.5, 87.5, 70.0, 80.0, 82.5, 75.0, 82.5] diff [n - o for n, o in zip(new, old)] print(stats.shapiro(diff)) # 正态性检验p 大于 0.05 才考虑 t 检验 print(stats.ttest_rel(old, new)) # 配对 t 检验输出统计量与 p 值 print(stats.wilcoxon(old, new)) # 不满足正态时的非参数替代报告里除了 p 值还要写效应量 Cohens d配对设计用差值均值除以差值标准差0.2、0.5、0.8 大致对应小、中、大。样本量只有八个的时候p 值很容易不显著这时候诚实写「趋势明显但未达显著」比硬凑结论好。数据分布也要交代任务耗时通常右偏报中位数比报均值稳真要报均值就配上标准差和样本量。5. 易漏点与易错点量表计分、任务引导与基线缺失这些坑的共同点是「不报错」流程照跑、数据照出、报告照交分数就是不高。逐个说清怎么补。5.1 计分与量表三个算错就白做的地方SUS 反向题没反向这是头号杀手。为什么容易漏题目顺序是正负交替的抄模板的时候只抄了题面没抄计分规则或者用表格公式时把偶数行漏了。怎么补写死一个函数或一个 Excel 列输入原始 10 个数字就出分并且拿一组已知答案的样例做单元自测比如全选 3 应该得 50 分这个数字能立刻验证方向对不对。把 SUS 分数当成百分比讲。为什么容易漏0–100 的区间太像百分比写「可用性达到 85%」读起来很顺。怎么补报告里统一写成「SUS 得分 85」并在首次出现时加一句说明它是复合指数而非百分比。这个细节评审很在意因为它直接反映你有没有读懂量表。NASA-TLX 六个维度直接算术平均。为什么容易漏看着像六个同权重的题。怎么补要么明确声明采用 Raw TLX 并对等权重做说明要么按两两比较得到的权重加权。用哪种都行不写清楚不行。5.2 实验执行与报告两处最容易被扣分的细节任务描述泄露操作路径。为什么容易漏写任务卡的时候自己脑子里已经在演示操作笔一滑就把步骤写进去了读起来还很自然。怎么补写完任务卡后做一次「反读」看这句话能不能照着一步步操作能就说明写的是说明书不是任务。改法是把手段全部删掉只留情境和目标。没有基线就下结论。为什么容易漏大实验只做了自己的新方案没有对照组于是只能说「用户反馈良好」。怎么补三种低成本基线任选其一——同一批被试先用现有产品跑一遍或者用纸原型和最终版做前后对比或者用 KLM 算出的理论耗时做参照。有基线才有「改善了」这句话的资格。还有一条隐性失分点只放截图不看闭环。报告里出现的问题后面必须跟一条「改了什么、复测结果如何」。哪怕只改了两条、复测只找了三个人这个闭环也比堆十张精美截图有说服力。梳理下来会发现评审看的从来不是你做了多少界面而是你能不能证明这些界面是被数据推着改出来的。6. 复习清单把大实验拆成可交付的七步复习时与其从头翻讲义不如拿一张交付物清单倒推自己缺哪块。下面这张表是我自己按周拆的每一步都有明确的产出物做不出来就说明对应章节没掌握。阶段关键动作可交付物对应知识点一访谈 5–8 人、发一轮问卷逐字稿、问卷原始数据访谈提纲、问卷设计二卡片聚类、写 Persona亲和图、2–3 个 Persona定性编码、聚类三旅程图、场景剧本情绪曲线、痛点清单需求转写、MoSCoW四HTA 拆解、KLM 估算任务树、耗时对比表任务分析、GOMS五低保真走查、高保真原型线框图、可点击原型设计原则、保真度取舍六启发式评估、可用性测试问题清单、严重度评级、记录表走查流程、出声思维七量表与统计、报告成稿SUS 明细、检验结果、修改记录SUS、TLX、显著性对着清单逐条打勾的时候重点看三处最容易空的有没有做基线对比、有没有复测闭环、统计部分有没有写清样本量和分布。这三处只要缺一处整份报告的「证据链」就断了一节其余部分做得再漂亮也补不回来。一个小技巧把 SUS 计分和统计检验提前写成两段固定脚本数据一进来就跑别留到最后一天。数据结果出来之前讨论部分一个字都别写人的本能是先有结论再找数据顺序反了必然出现「数据不支持结论」的尴尬。血泪经验是评审提问基本集中在两句话上「你怎么确定这是真问题」和「你凭什么说改好了」。前者指向原始材料的可追溯性后者指向基线与检验。提前把这俩问题的答案各写三行放在答辩稿首页剩下的时间就可以安心讲设计细节了。从那以后我每次开新项目都强制先把评估口径定下来再动手画界面接口和量表一起设计省下的返工时间比想象中多。希望帮到你。本文还有配套的精品资源点击获取