自动化程度高的任务占用更少注意
别名: 自动化加工 · controlled vs automatic processing · consistent mapping
概念解释
同一个任务，练熟之前和练熟之后占用的注意资源天差地别。熟练司机可以一边换挡一边聊天，新手做不到；熟练打字员可以一边打字一边构思措辞，初学者只能盯着键盘一个字一个字找。这个变化背后是加工自动化（automaticity）：大量一致的练习会把一个任务从费力、占资源的加工方式，转变成几乎不占资源的加工方式。
这条讲的是"练熟了会怎样"这个变量本身，不是任务之间抢什么资源——同一个任务，自动化前后占用的资源量可以差好几倍。
机制
心理学把加工分成两种模式：受控加工（controlled processing）是串行的、需要注意、耗费资源、可以随意开始或停止；自动加工（automatic processing）是快速的、不需要主动分配注意、几乎并行运行、一旦触发就很难主动叫停。练习做的事，就是把一个任务从前者推向后者。
关键条件是一致映射（consistent mapping）：只有当某个刺激持续对应同一个反应（同一个按钮永远做同一件事、同一个手势永远触发同一个动作），大量重复才会催生自动化。如果映射经常变化——这次这个按钮是确认，下次同一个位置变成取消——再多练习也很难自动化，注意负担不会随经验下降。
自动化的另一面是难以主动抑制：一旦某个反应变成自动的，即便当下不想做，它也会抢先冒出来干扰。经典证据是 Stroop 效应——认字这件事对成年人来说已经高度自动化，即使任务要求忽略字义只报告颜色，字义仍然会不受控制地侵入加工，拖慢反应。这说明自动化省下的注意资源是有代价的：省资源的同时，也失去了随时中止这个反应的能力。
怎么研究
常见做法是把练习量或熟练度作为自变量：比较新手与专家在同一双任务场景下的次任务表现差距，或者做纵向训练研究，追踪同一批被试随练习次数增加、双任务代价如何逐步下降。
另一条经典路线是一致映射 vs 变化映射训练范式（Schneider & Shiffrin 的视觉搜索训练）：一组被试训练时刺激-反应映射始终一致，另一组每次都变化，练习量相同，只有一致映射组会发展出自动化（表现为搜索速度不再随干扰项数量增加而变慢、次任务代价大幅下降）。
验证某个行为是否已经自动化，常用 Stroop 类范式：让被试主动抑制这个行为，如果它仍然不受控地侵入加工、拖慢反应，说明确实自动化了，不是单纯的"练熟了会做得快"。
在界面研究里，这条主要用来判断"能不能指望用户熟练后同时做两件事"——答案取决于目标操作的映射是否一致，而不只是练习了多久。
方法论注意点：自动化程度不是任务级别的整体属性，同一个复杂任务里，某个子操作可能已经自动化，另一个子操作仍然费力，笼统地问"这个任务熟练了吗"容易得出误导性的结论。
边界
- 自动化只在映射一致的前提下发展。界面里如果同一手势、同一按钮在不同状态下含义不同，用户练多久都不会自动化，注意负担不会随经验下降。
- 自动化是逐个子技能发展的，不是整体任务一起变自动。一个熟练用户在某个子操作上可能已经不占注意，但在另一个子操作上仍然需要全神贯注。
- 自动化行为难以被主动叫停，这是代价而不只是好处——熟练用户在异常或紧急情况下，反而更容易做出"照常规反应但当下不该做"的动作失误。
- 这条结论的证据主要来自受控的视觉搜索与反应时训练范式，真实界面操作的复杂度、反馈延迟、环境噪声都会拉长达到自动化所需的练习量，不能直接套用实验室的练习次数。
怎么落地
- 界面里重复、高频、结构稳定的操作（常用手势、固定位置的确认动作），值得设计成映射始终一致，让它随使用自然走向自动化，从而不再占用用户的注意，支持真正的并行任务。
- 反过来，任何在不同界面状态下含义会变的手势或按钮，会主动阻止自动化，甚至更危险——一旦用户凭已经养成的习惯去按，就会在映射变化的场景里出错。
- 高风险、需要用户全程保持警觉的操作，不要设计得看起来像日常常规操作——越像可以自动化的动作，越容易被已经养成的自动反应"顺手"触发，酿成动作失误。
- 验证办法：对比新手与经验用户在同一双任务场景下的次任务表现差距，看是否随经验增加而系统缩小；如果缩小，说明该操作确实可以自动化，值得保持映射一致；如果没有缩小，说明当前设计里映射不一致，练习不会解决问题，需要改设计而不是等用户练熟。