A1.02.5Guided visual search研究设计
中央凹与周边视觉在自然场景中协同完成"周边探测—中央确认"的两阶段加工
别名: 引导式搜索 · 周边探测中央确认 · guided search · saccade guidance
概念解释
真实场景里找东西（在一堆图标里找某个 App、在货架上找某件商品）不是靠中央凹逐个扫描画面上每一个点，而是靠中央凹和周边视觉分工接力：周边视觉先粗略扫过整片区域，凭形状、颜色、运动这类粗颗粒线索圈出几个"看起来像"的候选位置（周边探测），然后眼睛跳过去，把中央凹对准最有希望的候选，逐一确认是不是目标（中央确认）。这个"探测—确认"的循环会重复多次，直到找到目标或放弃。
这条把中央凹的能力（强在识别、弱在覆盖）和周边视觉的能力（强在探测、弱在识别）拼成一套工作流程：单看任何一侧的能力都不足以解释人如何高效完成视觉搜索，只有两者接力才说得通。
机制
这套接力之所以高效，是因为它让两个各有短板的系统只做自己擅长的事：如果只靠中央凹逐点扫描，覆盖角度小意味着扫完一整屏需要大量眼跳，效率极低；如果只靠周边视觉，识别能力不足意味着永远无法确认任何一个候选到底是不是目标。把两者串起来后，周边视觉先做一轮粗筛，把大部分明显不像目标的区域直接排除掉，中央凹只需要把宝贵的高分辨率注视次数花在少数几个真正有希望的候选上——这大幅减少了完成搜索所需的总眼跳次数。
这个机制也解释了为什么视觉搜索的效率高度依赖候选与背景的可分辨性：如果目标在某个前注意特征（颜色、朝向等）上和干扰项截然不同，周边探测阶段就能又快又准地圈出候选，搜索接近"一眼锁定"；如果目标和干扰项在周边视觉能感知的粗颗粒特征上高度相似，周边探测阶段就无法有效缩小范围，只能退化成中央凹一个个逐点确认的低效模式，这正是"目标与干扰项差异越大搜索越快"这一现象背后的机制来源之一。
怎么研究
- 扫描路径分析（scanpath analysis）：用眼动仪记录搜索任务中的完整注视序列，统计眼跳次数、每次注视的落点是否命中真实目标附近，反推周边探测阶段筛选候选的准确程度。
- 凝视依随范式（gaze-contingent display）：实时根据被试当前注视点动态降质中央或周边区域的显示内容（如只保留周边区域的粗颗粒信息、抹掉细节），测试搜索表现下降的幅度，用来验证周边信息在引导眼跳中的实际贡献。
- 计算模型验证：如引导式搜索模型（Guided Search）等理论模型会预测每次眼跳应该落在哪，将模型预测的落点序列与真实眼动数据比对，检验"周边探测引导中央确认"这套机制的解释力。
- 常见自变量：目标与干扰项在颜色/朝向/运动等维度上的差异程度、干扰项数量、目标位置是否符合场景常识（如钥匙常出现在桌面而非天花板）。
- 常见因变量：完成搜索所需的总眼跳次数、每次眼跳的准确度（落点与最终目标的距离）、总搜索时间。
边界
- 这套两阶段机制在目标与干扰项的粗颗粒特征高度相似时会失效：周边探测提供不了有效候选，搜索退化为逐点扫描，效率大幅下降，这是设计上最容易忽视的失效场景。
- 场景规律和先验知识会改变周边探测的起点：如果用户对目标可能出现的位置有预期（常用功能通常放在固定位置），眼跳会优先扑向这些位置，此时表现出的高效率部分来自记忆和先验，不能完全归功于周边视觉本身的探测能力。
- 这套机制描述的是视觉搜索这一类任务，不适用于阅读这种目标位置已知、按固定路径扫视的任务，两者虽然都涉及中央-周边协同，但驱动方式不同。
- 老化和某些视野疾病会削弱周边探测阶段的效果（视野缺损、周边敏感度下降），这类人群即使目标与干扰项区分度很高，搜索效率的提升也会打折扣。
怎么落地
- 给需要被搜索到的目标设计能在周边视觉层面被区分的粗颗粒特征（独特的颜色块、轮廓形状、整体亮度），而不是只在近距离细节上做区分，否则周边探测阶段起不到筛选作用，用户只能逐个图标凑近看。
- 避免把一整屏图标做成同一种灰色剪影或高度相似的色块，那样即使中央凹能分辨细节，周边视觉也无法帮用户预先圈定候选，搜索会退化成逐点扫描，实际耗时远高于视觉设计师在近距离审阅时的直觉。
- 常用目标放在符合用户先验预期的位置（固定区域、固定顺序），让周边探测阶段的候选圈定可以借助记忆而不是每次都从零开始。
- 验证办法：用眼动仪记录用户完成典型查找任务的扫描路径，统计总眼跳次数与每次落点距目标的距离；如果眼跳次数远超"周边探测应能筛出少数候选"的预期，或者落点大量集中在与目标毫不相似的区域，说明目标的粗颗粒可辨性设计不足。