模型可以不正确但仍能支撑操作

概念解释

一个用户对系统的理解可以整体是错的——比如以为"删除的文件其实还在某个地方，只是暂时看不见"——但只要这套理解在TA实际触碰到的操作范围内不产生错误的预测，TA照样能顺利完成日常任务。可用性不取决于模型是否客观正确，只取决于模型在用户实际会走到的那部分操作空间里，给出的预测是否恰好和系统真实行为一致。

机制

用户接触到的永远只是系统全部行为空间里的一个小子集——常用功能、熟悉的路径。只要一套错误模型在这个子集内和真实系统行为凑巧保持一致，错误就不会显现，因为暴露一个错误模型需要一个具体的场景，让"模型预测的结果"和"系统实际给出的结果"产生可被察觉的分歧；用户如果始终没有走到这类场景，分歧就永远不会发生，模型也就始终"看起来是对的"。这意味着一个错误模型能撑多久，本质上取决于用户操作范围与系统真实边界之间重叠区域的大小，而不是模型本身包含多少错误。

怎么研究

要检验一个模型是否只是"在常见场景里侥幸对了"，需要专门设计能把用户推到非典型、低频操作场景的预测任务，观察模型的预测在这些边缘情形下是否依然成立；单纯统计用户日常操作中的出错率无法回答这个问题，因为出错率本身就是被模型和操作范围的重叠程度决定的，重叠越大出错率越低，与模型是否正确没有直接关系。

边界

模型能否继续撑住取决于系统行为空间与用户实际操作范围的重合是否稳定——一旦系统更新、或者用户第一次走进此前从未涉足的路径，重合被打破，潜伏的错误立刻现形，用户会经历一次预期落空的意外体验。另外"能用"和"用得好"是两件事：错误模型即使从不出现明显故障，也可能让用户长期绕远路、放弃某些其实存在但和其错误理解不兼容的功能，这类隐性代价不会体现在错误率里，用户自己往往也察觉不到。

延伸

• 同组：A7.01.1 心智模型是用户对系统如何运作的内部解释 · A7.01.3 模型决定用户在异常时的预期与应对 · A7.01.4 心智模型的核心功能是预测系统在给定操作下的行为，而非记住具体步骤 · A7.01.5 完备的心智模型使用户能推导出从未被教过的操作方式 · A7.01.6 模型的自洽程度与其对错程度是两回事，一致但错误的模型仍可用 · A7.01.7 用户对自身模型的准确性缺乏自知，很少主动怀疑其正确性
• 相邻：A7.14 错误心智模型的识别与修正 · A7.06 错误模型的识别
• 站内检索：working misconception · folk theory accuracy · model coverage