熟练者与新手的差错谱不同，防护措施不能通用
别名: skill-based error · knowledge-based error · expertise error taxonomy
概念解释
新手和熟练用户不是同一条差错曲线上的两个点，而是会犯不同类型的错误。新手的差错谱集中在知识性错误——不知道正确的操作方式、心智模型本身有误，因为动作还没有变成自动化的习惯，每一步都需要有意识地判断。熟练者的差错谱集中在捕获性错误与遗漏型错误——熟悉的动作序列因为已经高度自动化，反而容易在分心或环境相似时被错误地触发，或者因为太熟悉而跳过本该做的一步。同一款产品面对这两类用户，需要的防护措施类型是不一样的，用同一套手段应对两类完全不同成因的差错，效果会明显打折扣。
机制
这个差异的根源在于技能获得改变了动作的控制方式。新手依赖有意识的规则性推理来决定下一步做什么，注意力集中在任务本身，错误多发生在推理链条本身出了问题的地方——判断错了前提、记错了步骤顺序。随着练习，动作序列被压缩成自动化的运动程序，执行不再需要逐步监控，这带来效率提升的同时也带来新的脆弱点：自动化程序一旦被触发就会执行到底，很难在中途被有意识地打断和检查，因此熟练者的错误往往发生在意图判断本身是对的、但错误的自动化程序被相似的情境线索意外激活的时候。这解释了为什么增加解释性说明这类帮助理解的干预对新手有效、对熟练者边际收益很低——熟练者的问题不在于不理解，而在于自动化程序被错误触发；同样，增加确认步骤这类打断自动化的干预对减少熟练者的捕获性错误有效，但会拖慢新手原本就需要的、通过反复练习形成自动化的过程。
怎么研究
区分两类差错谱的常见做法是对同一任务分别招募新手与熟练用户完成操作，记录并分类每一次差错——知识性错误（选择了错误的操作路径且过程中表现出判断迟疑）与执行性错误（选择了正确意图但被无关序列打断或替代，操作本身流畅、没有迟疑迹象），再比较两类错误在两个群体里的分布比例。方法论注意点：熟练度不是一个可以直接测量的单一变量，通常用使用时长、操作频率或专家评定作为代理指标，代理指标之间可能不一致（用得久不等于用得对），研究结论的稳健性依赖于代理指标的选择是否合理。
边界
这条区分适用于技能已经充分自动化、有明确"熟练"与"新手"两端的任务；对于结构复杂、始终需要有意识规划的任务（如复杂的多步骤配置流程），即便是资深用户也很难完全进入自动化执行状态，此时差错谱不会呈现出清晰的两极分化，而是更接近连续谱。产品的用户群体如果本身跨度很大——既有第一次使用的新手也有每天高频使用的老手——单一防护方案很难同时贴合两端，这也是这条区分在设计上最直接的推论来源。
怎么落地
针对新手为主的场景，优先提供识别式而非依赖记忆的界面（可见的选项、清晰的标签），并容忍较慢的操作速度；针对熟练者为主的场景，优先在高频路径与低频危险路径之间制造足够的区分度，防止自动化动作被相似情境线索捕获，并为需要打断自动化执行的关键节点设置轻量但确实会被感知到的中断点。同一产品面对两类用户共存时，让界面同时提供两条路径——识别式的完整菜单与加速式的快捷操作——而不是强迫两类用户共用同一套针对单一群体优化的交互方式。验证办法：把差错日志按用户的历史操作次数分层，分别统计知识性错误与捕获性错误在新手层与熟练层中的占比；如果同一种防护措施上线后只降低了一层用户的差错率、对另一层没有效果甚至增加了操作负担，说明这个防护措施只覆盖了一种差错成因。