🖥️人机交互理论与应用｜文献阅读

01｜2026-09-16｜从传统 HCI 到智能人机协同

• 人机交互（HCI）：研究人如何使用、理解和体验计算机系统，并据此设计与评价交互系统。传统 HCI 常把计算机看作行为相对确定的工具，重点是可用性、效率、易学性和用户体验。

• 人因工程（Human Factors / Ergonomics）：关注人的感知、注意、记忆、决策、工作负荷、情境意识与操作能力，目标是优化“人—技术—任务—环境”构成的整体系统，同时兼顾绩效、安全与人的福祉。

• 智能人机交互（iHCI / Human–AI Interaction）：交互对象具有学习、预测、适应和一定自主决策能力。系统输出可能具有概率性和不确定性，也可能主动影响任务过程，因此出现了传统软件中不突出的透明度、可解释性、偏差、信任校准与责任划分问题。

• 核心区别：传统交互更接近“人下指令—机器执行”；智能交互更接近“人和机器持续感知彼此、协商分工并共同完成任务”。

• 文献信息：许为（2022），《应用心理学》28（3），195–213。

• 原文入口：期刊摘要、研究要点与 PDF 入口

• 作者与团队情况：本文是许为的单作者论文，作者来自浙江大学心理科学研究中心。它不是孤立的一篇文章，而是“以用户为中心的设计”系列研究中的第六篇；系列此前已经讨论用户体验、以人为中心 AI、自动化与自主化等问题，因此这篇文章承担的是把这些讨论进一步整合为智能人机交互的人因工程框架。

• 文章试图回答的问题：
1. AI 系统与传统计算机系统相比，给人机交互带来了哪些新的人的因素？
2. 当机器具有自主性时，应当如何重新理解“以用户为中心”？
3. 怎样建立一个既能描述人机协作、又能指导实际设计的人因工程框架？

• 文章的论证路径：
1. 从“以用户为中心的设计”出发，分析智能系统的自主性、适应性和不确定性；
2. 提出“面向用户的智能人机交互”理念；
3. 综合协同认知系统、情境意识和智能代理三类理论，形成 iHCI 人因工程框架；
4. 用自动驾驶中的人机共驾检验框架的解释力；
5. 将用户意图识别和人机协同合作确定为后续研究的两个基本问题。

• 三个理论支点：
• 协同认知系统：认知并不只发生在人脑中，而是分布在人、机器和环境之间。评价对象不应只是算法或用户，而应是整个人机系统能否完成任务。
• 情境意识：用户需要理解“现在发生了什么—这意味着什么—接下来可能发生什么”。系统如果能力很强却让人不知道它正在做什么，整体系统仍然可能不安全。
• 智能代理：AI 不再只是等待点击的界面组件，而可能拥有独立角色、局部目标和行动能力。设计因此必须明确角色、权限、沟通方式和责任边界。

• 自动驾驶案例的启示：自动驾驶的难点不只是识别道路和控制车辆，还包括驾驶员是否理解当前自动化模式、是否保持适当注意、系统如何说明能力边界，以及发生异常时能否平稳交接控制权。突然要求驾驶员接管，本质上是算法能力、界面提示和人的情境意识之间没有形成闭环。

• 文章的核心结论：
1. AI 的性能不能只用准确率或任务完成率评价，还要评价整个联合系统的安全、可理解性和协作质量；
2. “以用户为中心”需要从界面层扩展到算法、交互、组织流程和伦理责任；
3. 智能系统应当增强人的能力，而不是让人在关键环节失去理解与控制；
4. 用户意图识别与人机协同是相互依赖的：机器要理解人的目标，人也要理解机器的状态与边界。

1. Xu, Dainoff, Ge & Gao（2023）
Transitioning to Human Interaction with AI Systems
• 团队由中美两地从事 HCI、人因工程和工程心理学的研究者组成，体现出该问题的跨学科性质。
• 文章从宏观层面总结人—AI 交互相较传统 HCI 出现的新挑战，提出 HCI 专业人员需要进入 AI 系统的设计与开发过程，而不应只负责产品完成后的界面优化。

2. O’Neill, McNeese, Barron & Schelble（2022）
Human–Autonomy Teaming: A Review and Analysis of the Empirical Literature
• 团队来自卡尔加里大学、克莱姆森大学和滑铁卢大学，结合了组织心理学、团队研究、人本计算与人—AI 协作研究。
• 作者筛选并综述了 76 项实证研究，将“人—自主体团队”界定为：至少一名人类与至少一个具有独立角色的自主代理相互依赖、共同追求目标。关键变量包括自主体特征、团队构成、任务特征、人的个体差异、训练和沟通。

3. Chignell, Wang, Zare & Li（2023）
The Evolution of HCI and Human Factors
• 团队主要来自多伦多地区的 HCI、人因工程与计算研究机构。
• 文章回顾 HCI 在 20 世纪 80 年代与人因工程的分化，认为 AI 带来的信任、情境意识和人类增强问题，使两个领域重新合作成为必要。

4. 许为（2020）
《五论以用户为中心的设计：从自动化到智能时代的自主化以及自动驾驶车》
• 这篇文章是《六论》的直接理论前序，重点区分自动化与自主化：自动化主要按预设规则执行，自主化系统则能根据情境进行一定程度的判断、适应与行动。
• 文章强调，当机器逐渐成为“队友”，已有的人—自动化理论不能被原样套用，需要重新研究分工、信任、干预与责任。

• 《五论》解释技术变化：自动化 → 自主化。

• O’Neill 等解释关系变化：工具 → 具有独立角色的队友。

• Chignell 等解释学科变化：HCI 与人因工程需要重新汇合。

• Xu 等解释设计变化：传统 HCI → 面向人—AI 交互的以人为中心 AI。

• 《六论》进一步给出一个可用于分析和设计的智能人机交互人因工程框架。

1. “以人为中心”不等于把所有决定都交给人。如果系统在高负荷情况下频繁要求人确认，表面上保留了控制权，实际上可能只是把风险转移给用户。真正的问题是怎样分配控制权、让人保持有效监督，并在关键时刻能够理解和接管。

2. 信任不是越高越好，而是需要校准。用户过度信任会忽略错误，完全不信任又会放弃系统价值。设计目标应是让用户的信任程度与系统的真实能力相匹配，因此系统既要展示“能做什么”，也要主动暴露“不确定性和能力边界”。

3. 解释必须服务于行动。一段听起来合理的解释未必真正有用。有效解释应帮助用户判断是否接受结果、怎样修改输入、何时求助其他来源，以及错误发生后由谁负责。

4. 我对“机器成为队友”持有限接受态度。AI 可以承担独立任务并参与协调，但目前它缺少稳定的责任主体地位，也不能像人一样对后果负责。因此，在设计上可以把 AI 当作协作代理，在责任上却不能轻易把它等同于人类成员。

5. 生成式 AI 是检验这些观点的直接案例。例如使用 ChatGPT 整理资料时，我和系统共同完成了检索、归纳和表达，但我仍需决定问题目标、核查来源、发现遗漏并承担最终使用责任。这说明人机协作的质量取决于分工、反馈和验证机制，而不只是模型生成文字的能力。

• 当 AI 的判断比普通用户更准确时，应当如何兼顾用户控制权与系统绩效？

• “可解释”应以算法透明为标准，还是以用户能否作出正确决策为标准？

• 人机团队出现错误时，责任应如何在开发者、部署者、使用者与系统之间划分？

• 如果用户长期依赖 AI，人的专业能力和情境意识是否会逐渐退化？设计怎样避免这种副作用？

智能人机交互的核心不是让 AI 尽可能替代人，而是把人、AI 与具体情境设计成一个可理解、可协作、可纠错且责任清晰的整体。

• 许为（2022）：六论以用户为中心的设计

• Xu et al.（2023）：Transitioning to Human Interaction with AI Systems

• O’Neill et al.（2022）：Human–Autonomy Teaming

• Chignell et al.（2023）：The Evolution of HCI and Human Factors

• 许为（2020）：五论以用户为中心的设计

02｜2026-09-23｜用三维头部数据设计头戴产品的尺寸系统

• 作者：Wonsup Lee、Baekhee Lee、Xiaopeng Yang、Hayoung Jung、Ilgeun Bok、Chulwoo Kim、Ochae Kwon、Heecheon You

• 期刊：Computers & Industrial Engineering，117，121–130

• 发表时间：2018 年

• 研究对象：头盔、眼镜、护目镜、耳机等头部或面部佩戴产品

• 数据来源：北美 CAESAR（Civilian American and European Surface Anthropometry Resource）三维人体扫描数据库

1. 面向某一种产品，应选择哪些关键人体尺寸？

2. 面向特定性别、年龄或族群，应当设置多少个尺码，各尺码怎样划分？

3. 每个尺码应使用哪一个具体三维头模作为设计与检验的代表？

1. 整理三维数据：研究使用 CAESAR 数据库中的 2299 个北美头部扫描模型。原始扫描需要人工修补孔洞、平滑表面并处理不完整区域，才能用于后续测量。

2. 建立测量基础：研究人员在处理后的三维头模上标记 26 个解剖标志点，据此测量与头戴产品相关的 30 项人体尺寸。

3. 确定设计条件：系统允许设计师选择目标产品、目标人群、尺码数量以及与该产品最相关的关键人体尺寸。

4. 生成尺寸系统：系统依据目标人群的尺寸分布形成分码方案，并计算不同方案对目标人群的覆盖情况。

5. 生成代表性头模：系统从数据库中找出能够代表各尺码的三维头部或面部模型，供设计师观察真实形状并进行后续产品建模与适配分析。

• 输入：产品类型、目标人群、尺码数量、关键人体尺寸。

• 输出：尺码边界与分布、目标人群覆盖情况，以及每个尺码对应的代表性三维头模。

• 设计价值：传统百分位表主要回答“某个尺寸是多少”，而该系统进一步回答“产品应该分几码、每码覆盖哪些人、设计时应参考什么样的真实三维形状”。

• 大规模三维人体数据库能够用于头戴产品分码，但必须先围绕具体产品选择目标人群和关键人体尺寸。

• 只看单一平均值或单个百分位不足以处理头部形状的多维差异；分码方案需要同时考虑多个测量指标。

• 代表性三维头模能够把抽象统计值重新变成可观察、可建模的形状，为头盔、眼镜、护目镜和耳机等产品提供更直观的设计依据。

• 目前流程仍高度依赖人工修补扫描模型和标记解剖点。作者明确提出，未来需要减少人工编辑和标志点标注的工作量，才能更高效地应用于其他可穿戴产品。

1. 把数据库变成设计工具：研究没有停在“测量并报告数据”，而是把 CAESAR 数据、分码分析和代表性头模整合为一个面向设计决策的系统。

2. 同时保留尺寸与形状：系统不仅输出数字化尺码，还提供每一尺码对应的真实三维代表模型，弥补一维百分位表无法表达复杂头面形态的问题。

3. 允许按产品和人群定制：同一套数据可以根据产品类型、目标用户、关键尺寸和尺码数量重新分析，而不是给所有产品套用同一组固定尺码。

4. 形成清晰的转化链条：“三维扫描数据 → 解剖标志点 → 人体尺寸 → 分码方案 → 代表性头模 → 产品设计”，与课堂所讲的人体测量应用流程直接对应。

• 这篇文章让我意识到，人体测量数据库本身并不是设计答案。真正的设计工作始于明确产品与目标用户，因为不同产品关注的尺寸不同：头盔关心整体头形和头围，眼镜还会关心面宽、鼻部和耳部位置。

• 我认为“代表性头模”比只给设计师一张百分位表更有价值。两个用户即使头围相同，头宽、头长和局部曲面仍可能不同；三维形状能让设计师更早发现压迫、松动、遮挡等潜在问题。

• 这套方法体现了“为差异设计”而不是“为平均人设计”。但尺码增加会提高模具、生产和库存成本，因此实际产品仍要在覆盖率、舒适度和成本之间取舍。

• 我的主要质疑是：系统生成了统计意义上的代表模型，但论文是否通过真实佩戴测试证明这些模型确实能提升舒适性和适配率？“数据上具有代表性”不一定等同于“体验上最合适”。

• 数据主要来自北美 CAESAR 人群，且原始扫描年代和设备较早。若用于今天的亚洲用户或儿童产品，仍需要重新验证样本代表性，不能直接套用。

• 人工修补和标志点标注是明显瓶颈。若不同人员对标志点的判断不一致，也可能影响最终尺寸系统的稳定性。

我读的是 Lee 等人在 2018 年发表的三维头部尺寸分析系统研究。作者使用北美 CAESAR 数据库中的 2299 个头部扫描模型，在模型上标记 26 个解剖点并测量 30 项与头戴产品有关的尺寸。他们开发的 3D-ASAS 系统允许设计师选择产品类型、目标人群、尺码数量和关键尺寸，然后生成分码方案以及每个尺码的代表性三维头模。它的创新之处是把人体测量从一张百分位表变成了可以直接支持产品设计的工具：不仅告诉设计师尺寸是多少，还帮助判断应该分几码、每码覆盖哪些人、设计时应参考什么形状。我认为它很适合头盔、眼镜和耳机设计，但仍需解决人工处理成本和真实佩戴验证的问题。

• 系统选出的“代表性头模”在统计上接近某一尺码中心，但怎样证明它也能代表真实的佩戴舒适性和压力分布？

• 如果增加尺码可以提高覆盖率，但会增加生产和库存成本，系统能否同时给出“适配率—成本”的最优折中？

• 未来用自动化或 AI 标记解剖点时，应怎样验证自动测量与专家手工标注的一致性？

1. 摘要与引言：明确为什么传统人体尺寸表不足以支持头戴产品设计。

2. 数据处理：看 2299 个头模如何被修补、标记和测量，注意人工流程带来的成本。

3. 3D-ASAS 系统：重点理解目标产品、目标人群、关键尺寸和尺码数量之间的关系。

4. 代表性头模：思考为什么设计师除了尺寸数字，还需要真实三维形状。

5. 讨论与局限：关注人工标志点、数据代表性和后续自动化问题。

• 正式论文 DOI / 出版社页面

• TU Delft 论文信息与正式摘要

• 同一研究团队公开的前期系统论文 PDF（不是 2018 年期刊全文，但可帮助预览数据处理和系统流程）

1. da Silva, Gordon & Halpern（2018），巴西与美国军人人体尺寸对飞行甲板设计的影响：论文页面

2. Espitia-Mora, Vélez-Guerrero & Callejas-Cuervo（2024），低成本无标记步态与人体参数测量系统：开放获取全文

3. Dianat, Molenbroek & Castellucci（2018），人体测量方法与人体工学/产品设计应用综述：论文页面

4. Lee et al.（2018），韩国人与白种人的三维耳部测量及耳部产品设计：论文页面

03｜2026-09-30｜健康信息框架、年龄与眼动追踪

• 论文全文（PMC）

• PubMed 页面

• DOI：10.1093/jamia/ocaf085

1. 可视化框架是否影响用户理解个人健康记录？

2. 收益／损失信息框架是否影响健康判断与自我照护意愿？

3. 上述影响在年轻人与中老年人之间是否存在差异？

4. 不同呈现方式如何影响用户对“图表区域”和“健康建议区域”的视觉注意？

• 收益框架：强调采取健康行为的积极结果，例如“戒烟有助于稳定血压”。

• 损失框架：强调不采取健康行为的消极结果，例如“吸烟不利于血压稳定”。

• 可视化框架：黑色折线图、彩色折线图、彩色面积图三种形式。

• 年轻组 24 人，19–26 岁

• 中老年组 24 人，46–66 岁

• 两组男女各占一半

• 被试均为正常色觉、正常或矫正后正常视力，无认知障碍

• 信息框架（被试内变量）：收益框架、损失框架

• 年龄（被试间变量）：年轻组、中老年组

• 可视化框架（被试间变量）：黑色折线图、彩色折线图、彩色面积图

• 眼动分析还比较两个兴趣区：图表区域与健康建议文字区域

• 理解表现：任务完成时间、正确率

• 眼动指标：总注视时长、注视次数、首次注视时间

• 主观判断：感知健康状况、后续行为意愿、界面偏好

1. 测量电子健康素养。

2. 完成眼动仪校准和练习。

3. 阅读随机呈现的个人健康记录界面。

4. 尽快口头报告图中异常数值的数量（0–5 个）。

5. 报告对自身健康状况的判断和准备采取的健康行为。

6. 共完成 72 次试次，分为两个区组，每个区组 36 次，顺序完全随机。

7. 完成不同框架下的偏好评价。

• 总注视时长：在某个兴趣区累计停留的时间；越长通常代表投入了更多注意或加工资源。

• 注视次数：观看某个兴趣区的次数；越多通常代表关注或反复加工更多。

• 首次注视时间：刺激出现后，视线第一次到达某个兴趣区所需的时间；越短说明该区域越容易首先吸引注意。

• AOI 1：健康数据图表区域

• AOI 2：健康建议文字区域

1. 彩色面积图的正确率高于黑色折线图。红绿颜色增强了正常值与异常值的区分，尤其有利于中老年用户。

2. 信息框架不显著影响任务正确率和完成时间，但会影响判断与行为意愿。损失框架使被试认为自身健康状况更差，也更倾向于寻求专业医疗建议。

3. 图表比文字更能吸引注意。图表区域获得更长的注视时长、更多注视次数和更短的首次注视时间。

4. 简单的“年龄效应”需要谨慎解释。初步结果显示中老年组速度更慢、正确率更低；但控制教育水平后，年龄主效应不再显著，教育水平反而显著影响正确率。

5. 控制教育水平和电子健康素养后，年轻人更快注意到收益框架，中老年人更快注意到损失框架。

• 个人健康记录应使用颜色等显著线索帮助用户区分正常值和异常值。

• 面向中老年人设计时，不能只按年龄划分用户，还应考虑教育水平和数字健康素养。

• 损失框架能够增强风险意识和求医意愿，但对于已经焦虑或患有慢性病的人群应谨慎使用。

• 不能只用红／绿两种颜色传递信息；为了照顾红绿色觉障碍用户，应同时加入亮度、符号或文字标签等冗余编码。

• 界面评估不能只看正确率和主观评价，眼动数据可以揭示注意分配和早期认知过程。

• 中老年被试并不都是慢性病患者，结果未必能完全推广到真正需要长期使用健康记录的人群。

• 实验使用虚构健康数据，真实数据可能带来更强的情绪和行为反应。

• 两个年龄组在教育程度、健康状况和电子健康素养方面差异较大，年龄效应容易受到混杂。

• 排除了色觉障碍者，因此红绿配色方案的普适性有限。

• 图表区与文字区的面积、信息量不同，眼动差异不能完全归因于呈现框架。

我阅读的是 Liu 等人在 2025 年发表的一篇眼动研究。文章关注个人健康记录应该怎样呈现，才能帮助年轻人和中老年人正确理解健康数据。研究采用 2 × 2 × 3 混合设计，共有 48 名被试。三个主要自变量是收益或损失信息框架、年龄组，以及黑色折线图、彩色折线图和彩色面积图。被试需要查看模拟的健康记录，尽快报告异常值数量，并判断健康状况和后续行为。研究使用 Tobii 眼动仪记录总注视时长、注视次数和首次注视时间。结果显示，彩色面积图比黑色折线图的正确率更高；损失框架虽然没有提高任务表现，却会增强求医意愿；图表区域也比文字区域更快吸引注意。最有启发的一点是，控制教育水平后，原本的年龄差异不再显著。因此，健康界面设计不能只按年龄分类，还要考虑教育和数字素养，并采用颜色、符号和文字相结合的冗余编码。

1. Wang & Or（2020）｜相似药名的视觉搜索与用药安全
DOI / 论文页面

2. Tao et al.（2024）｜振动条件下配色、视觉疲劳与视觉搜索
DOI / 论文页面

3. Teixeira & Palmisano（2021）｜动态视场限制、VR 晕动症与临场感
DOI / 论文页面