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

概念解释

一套心智模型可以完全"讲得通"——内部各部分互相不矛盾，用它去预测系统行为总能得出一个确定的答案——但这套逻辑自洽的模型仍然可能整体上是错的，也就是和系统真实机制完全不符。自洽（internal consistency）问的是"这套故事内部矛不矛盾"，正确（accuracy）问的是"这套故事和事实符不符"，是两个彼此独立的维度，一个维度上的高分不能推出另一个维度也高。

机制

用户构建模型的素材来自有限的、片段化的观察，而不是系统的设计文档。一套解释哪怕基于完全错误的假设，只要这个假设被贯彻到底、没有被后续观察推翻，就能自洽地覆盖用户实际接触到的全部现象——因为"自洽"只要求内部不矛盾，并不检验这个假设本身是否对应真实机制。用户没有另一个版本的模型可以拿来对照，自洽的模型在TA自己看来和正确的模型没有任何主观差别，两者用起来的体感完全一样。

怎么研究

分别测量两个维度是把两者拆开的关键：一致性测法是反复用同一模型在多个情境下做预测，检查预测之间是否互相矛盾；正确性测法是把模型的预测拿去和系统真实行为逐一核对。把这两套结果交叉分类，能找出"高一致、低正确"这一类最难被自我察觉的模型状态，这类模型往往是最顽固、最难被日常使用中的负反馈打破的一种。

边界

这个区分只在用户从未遇到过反例的前提下才成立——一旦系统的真实行为在某个场景暴露了与模型不符的结果，自洽性会立刻受到冲击，用户要么修正整个模型，要么用临时补丁（当作"个例外"）勉强维持表面上的自洽。后一种做法会让模型逐渐退化成一堆互相拼凑的特例，越补越复杂，也越来越失去对新情境的预测能力，而这个退化过程本身通常不会被用户意识到。

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 · A7.01.2 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 · A7.01.5 完备的心智模型使用户能推导出从未被教过的操作方式 · A7.01.7 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 · A7.12 因果归因与迷信行为
• 站内检索：coherence versus correctness · internal consistency · folk theory