完备的心智模型使用户能推导出从未被教过的操作方式

概念解释

当一个用户的模型足够完整时，TA能在没人教过的情况下自己推导出全新的操作组合——比如从没人告诉过"选中多个文件后可以一起拖拽"，但因为TA理解了"选中"和"拖拽"各自单独的机制，自己就把两者组合了起来。这种自发推导出未教过操作的能力，是判断一个模型完备程度的直接标志，而不是运气好蒙对。

机制

完备的模型不是把系统每一个功能点都单独记下来，而是掌握了产生这些功能点的更底层规则——哪些对象可以被选中、被选中的对象在下一步操作里会作为一个整体响应。规则一旦被掌握，新的组合方式就是这些规则自然排列组合的结果，用户不需要被逐一告知每一种组合，只需要把已经掌握的规则应用到一个此前没遇到过的情境里。

怎么研究

设计"从未教过的组合操作"作为测试项，观察用户能否在没有任何提示的情况下自发发现或猜出它；如果多数用户都能独立推导出同一个未教过的操作，说明系统底层规则足够一致、也足够被普遍掌握，这既检验了用户的模型完备程度，也间接检验了系统本身规则设计的清晰度。

边界

这种推导能力要求底层规则本身是一致、没有隐藏例外的——如果系统里同一操作在不同场景下遵循的规则并不统一（选中在这里是整体操作，那里却是逐个操作），用户即使推导出组合操作也常常推导错，产生的是自信但错误的预测。这类"看似完备实则被打了折扣"的模型比明显不完备的模型更难被察觉，因为用户遇到失败时倾向于怪自己操作有误，而不会怀疑是规则本身在不同场景下不一致。

怎么落地

• 在设计操作规则时，让同一类对象在不同场景下遵循同一套底层规则，不为局部体验单独开例外——这是让用户的心智模型具备可推导能力的前提。
• 上线前抽查若干"从未在文档或引导中出现过的组合操作"，交给新用户在无提示状态下尝试，记录能否被自发发现；这既检验用户是否具备可推导的模型，也反过来暴露系统规则本身是否存在隐藏的不一致。
• 验证办法：对同一批未受过训练的新用户，给出一个从未演示过的组合场景，统计能独立给出正确预测的比例；比例低而用户此前表现流畅，往往说明底层规则存在没被察觉的例外，而不是用户能力不足。

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 · A7.01.2 模型可以不正确但仍能支撑操作 · 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 · A7.01.6 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：A7.15 模型的分层：功能层、结构层与实现层 · A7.13 模型的跨产品迁移
• 站内检索：generative mental model · rule consistency · discoverability