错误的分类-设计心理学1：日常的设计在线阅读

语速1.0: 2.0

进度0:

错误的分类

选错目标，或者在行动的评价阶段比较目标与结果时有误，这些往往是导致错误的原因。犯错时，人们可能会做出不明智的决定，错误地判断周遭情况，将某种情况进行不合理的归类或是考虑问题不周全。人类思维变幻莫测，很多错误都由此而生。在处理问题时，人类过度依赖储存在记忆中的经验，而对事物并不进行系统地分析。我们习惯根据自己的记忆来做决定。但就像在第三章介绍过的，源于长期记忆的回顾是重建过程而不是准确的记录，因而它包含了太多的偏见。其他方面，记忆倾向于对一般事物进行过度概括和规范，并且过度强调事物之间的差异。

丹麦工程师延斯·拉斯姆森（Jens Rasmussen）将行为模式划分为三种，分别是基于技能的、规则的和知识的。这种三个层次的分类方案提供了一个实用的工具，在应用领域获得了广泛的认可，譬如许多工业系统的设计。当操作者是这个领域出色的专家，他们常常很少去思考、无意识或无须特意关注便能完成日常任务，这就是基于技能的行为。最常见的基于技能的差错形式是失误。

基于规则的行为发生时，正常的行为方式已经不再适用，人们可以弄清出现的新情况，因为已经有一个很好的行动说明：遵守规则。规则从以往的经验里得来，可以轻松地学到，但包含了手册和课程里规定的正式程序，通常以“如果——那么”的形式出现，例如“如果发动机不能正常启动，那么检查（适当行动）。”基于规则的差错可能是一个错误，或者是失误。如果选择了错误的规则，那么就是一个错误。如果在规则的执行过程中发生差错，最有可能是失误。

当发生不熟悉的事件，既不存在现有的技能，也没有现成规则可以应用时，此时需要用到基于知识的流程。在这种情况下，必须具备一定的推理和解决问题的能力。可能要开发新的计划，测试，然后应用或修改。在这儿，概念模型很关键，是指导计划开发和演绎具体情形的重要因素。

在基于规则和基于知识的行为中，最严重的错误是误判，结果会导致执行不合理的规则。或者发生基于知识的问题时，精力被用于解决错误的问题。此外，对周围状况的误解，会伴随着对问题的误判，继之对当前状态与预期目标进行错误的比较。这些错误很难检测和纠正。

基于规则的错误

当启用新的程序或者碰到简单的问题，我们可以将熟练工人的反应行为称为墨守成规。一些规则来自经验；另一些来自指导手册或规则手册所要求的正式程序，还有些不太正式的操作指南，如烹饪食谱。无论哪种情况，我们要做的是确认问题，选择适当的规则，然后遵循。

开车时，要遵守了然于心的交通法规。碰到红灯了？没错，那么就停车。想左转弯？打左转灯，尽量在法规许可的范围内让车贴着右侧行驶，减缓车子速度，在交通繁忙的路口等待安全通过马路的时间，同时遵守交通法规和相关的交通标志及信号灯。

基于规则的错误有多种发生方式，例如：

·错误地理解了问题，从而采用错误的目标或计划，导致遵循不恰当的规则。
·采用了正确的规则，但规则本身就有问题，由于制定不当，或者实施的条件与设想的有差异，或者制定规则时的知识能力不足。所有这些都会导致基于知识的错误。
·采用了正确的规则，但不正确地评估行为的结果。在评估阶段的错误，通常是本身基于规则或知识的错误，可能会随着行为发展周期导致进一步的问题。

案例1： 2013年，巴西，圣塔玛丽亚（Santa Maria），甜蜜之吻夜总会（Kiss nightclub），乐队演出时使用的烟花引发大火，超过230人死亡。这个悲剧反映了好几个错误。首先，乐队犯了一个常识错误，他们在屋内使用户外焰火，结果点燃了天花板的吸音棉。而乐队以为焰火是安全的。其次，恐惧的人群涌入卫生间，误以为那里可以逃生，结果全部丧生。早期的报告还表明，门口的警卫不知起火，起初还错误地阻止人们逃离大楼。为什么呢？因为到夜总会消费的客人有时会没有付费而离开。

这个错误提醒了人们在制定规则时没有考虑到突发事件。根本原因分析也显示，虽然目的是为了防止不当使用紧急出口，但仍然需要允许在紧急情况下使用大门。防止人们试图偷偷溜出去的一种解决方案是开门时会触发警报，但必要时此门可以用作紧急出口。

案例2： 把烤箱的温控器设定到最高温度，以迅速达到适当的烹调温度，这是个错误的想法，由于人们错误地理解了烤箱的运作方式。如果做饭的人走开了，一段合理时间的内忘记回来检查烤箱温度（记忆失效性失误），过高的温度设定会导致意外事故，或者引发火灾。

案例3： 一个不习惯防抱死制动装置的司机，在下雨天湿滑的道路中遇到了意外的物体。司机全力刹车，但汽车发生打滑，触发了防抱死制动装置，迅速地交替放松和启用刹车，防抱死制动装置就是这样被设计的。司机感觉到震动，以为出现故障，因此抬起刹车脚踏板。事实上，振动是提供给司机的信号，表示防抱死制动系统在正常工作。司机的错误判断导致了错误的行为。

基于规则的错误很难避免，也就很难检测。一旦将背景情况进行分类，经常就会直接选择适当的规则。但如果对情景的分类是错误的又如何？这很难发现，因为通常有相当多的证据支持错误的情景分类和规则的选择。在复杂的情况下，太多的信息就是问题所在：信息，既支持决策，也会排斥它。迫于时间的压力做出决策，很难知道哪些证据已经被考虑，哪些被摈弃。人们通常根据现状，还有早些时候已经发生的类似事情来做决定。虽然人类的记忆还不错，可以很好地将过去的例子和现在的情况加以参照，但并不意味着这种参照是正确的或合适的。近因（最近的事件）、规律性和唯一性都会让参照偏颇。人们通常容易记得最近的事件，淡忘远去的事情。由于频繁发生的事件有规律地重复，这些事件人们都会记得。独特的事件也因为其独特性而让人牢记于心。但如果当前事件不同于所有已经历过的那些：人们仍然倾向于在记忆里找到一些相关历史事件作为参考。在处理常规事件时得心应手的能力，会让我们在碰到异常事件时犯下严重的错误。

设计师应该怎么做？提供尽可能多的指导，确保现状以一个连贯的和容易理解的形式呈现出来——最好是图像化。这是一个艰难的挑战。所有主要的决策者都担心现实事件的复杂性，那里的问题往往是信息太多，存在太多的矛盾。通常，人们必须迅速地做出决定。有时，甚至不太清楚有意外事件，或者，实际上正在做出决策。

这样想吧。在你家里，有很多支离破碎或使用不当的物品。也许是烧毁的灯，或者一个阅读灯（我家里就有），有一段时间工作好好地，突然就灭了，我们必须走过去，摆弄下荧光灯泡，让它亮起来。也有可能是一个漏水的水龙头，或者有其他你知道的小毛病，但一直没时间修。现在，思考一个主要以流程控制的工厂（炼油厂、化工厂或核电厂）。这些工厂都有数以千计也许成千上万的阀门和仪表，显示器和控制器，等等。即使是最先进的工厂总有零件失效。维修人员总是持有一大堆需要特别注意的项目清单。当出现问题时，会触发所有的报警器，即使只是个小问题。还有所有的日常故障，你怎么知道这可能是一个大问题的重要指示呢？每一个单独的问题都有一个简单的和合理的解释，所以不需要迫切的行动，这样做有些道理。事实上，维修人员简单地将问题添加到列表里。大部分时间这样做是正确的。千分之一次（或者，百万分之一次）错误的决定会成为被指责的理由之一：他们怎么能错过这样明显的信号？

事后诸葛亮总是打败深谋远虑。当事故调查委员会回顾了导致问题的事件，他们知道发生了什么事情，所以他们很容易就指出哪些信息是相关的，哪些不是。这是回顾性的判断。当事件发生时，人们很可能被太多无关信息淹没，而不是置身于很多有用信息之中。他们怎么知道哪些应该被优先处理，哪些应该被忽略？大多数时候，经验丰富的操作者做对了。如果有一次他们失败了，回顾性分析就会谴责他们遗漏了如此明显的信息。嗯，在这种事件里，没有什么是明显的。在本章的后面我还会回到这个主题。

开车的时候，处理你的财务状况的时候，抑或你整个的日常生活中，将会面对同样的问题。你可能了解到很多非同寻常的事件，其实同你并不相关，所以你可以放心地忽略它们。什么事情应当注意，什么事情应当忽略？行业一直面临这样的问题，政府也一样。智能社区被淹没在数据里。他们如何决定哪些是严重情况？公众只是听到了他们犯的错误，而不是他们在更多情况下做了正确的事情，还有他们忽略的那些没有多大意义的数据——他们这样做是正确的。

如果每一个决策都受到质疑，什么事情都不会发生。但如果决策不被质疑，会犯重大的错误——尽管很少，但往往会受到实质性的惩罚。

设计的挑战是将当前系统状态的信息（设备、车辆、工厂或被监控的行为），以易于理解和阐释的方式呈现出来，以及提供必要的说明和解释。这对问题的决策很有用，但如果每个行为（或失败的行为）都需要密切关注，则无人能做到。

基于规则的错误，是一个没有明显解决方案的艰难的挑战。

基于知识的错误

当碰到异常情况，没有足够的技能或规则去处理它，人们就会采取基于知识的行为。在这种情况下，必须设计新的程序。在人类反应机制里，技巧和规则受控于行为层次，因此是潜意识和自动的，基于知识的行为则受控于反思层次，是缓慢的和有意识的。

以知识为基础的行为发生时，人们在有意识地去解决问题。他们很茫然，没有任何技能或规则可以直接应用。当人们遇到未知的状况，或者可能被要求使用一些全新的设备，或者在执行一个熟悉的任务而出了错，导致异常的、无法解释的状态，人们就需要采取基于知识的行为。

在这样的境况下，最好的办法就是深入地了解状况。在大多数情况下人们可以借助适当的概念模型来解决问题。在复杂的情况下，人们可能需要帮助，这需要良好的合作解决问题的技能和工具。有时，好的程序手册（纸质的或电子的）可以做到，尤其是可以遵循相关程序进行一些关键的检查。一个更强大的方法是开发智能计算机系统，利用良好的搜索和适当的推理技术（人工智能决策和解决问题）。这里的难点在于建立人类与自动化机器的互动：人类团队和自动化系统应当被设计成齐心协力合作的典范。相反，往往是把机器可以做的工作分配给机器，然后剩下的任务留给人类。通常这意味着对人来说，机器做的部分是比较容易的，但当问题变得越来越复杂，正是人们应该得到援助的时候，也是机器通常不能胜任的时候。［我在《为未来设计》（The Design of Future Things）这本书里会深入讨论这个问题。］