设计者能直接控制的只有系统映像，用户模型只能间接影响
别名: design model gap · 教学返演 · prediction task
概念解释
设计者手里能直接调整的，只有界面、文档、提示这些构成系统映像的具体材料——用户最终脑子里长出来的那个模型，设计者没有任何直接通道可以触及。用户模型是用户自己拿着系统映像这份原料，结合自己已有的经验、习惯用的类比、当下的注意力状况，推导出来的产物，这个推导过程本身完全发生在设计者的控制范围之外。
这意味着"我把这个功能设计成这样"和"用户会这样理解这个功能"之间永远隔着一层不受控的加工，设计者能做的至多是让这层加工更可能导向自己想要的结果，无法保证结果本身。
机制
系统映像到用户模型之间发生的，是一次带着既有知识参与的推理，不是信息的原样传递。同一份系统映像，摆在从没用过同类产品的人面前和摆在资深用户面前，推导出来的模型可能完全不同——前者只能从眼前这份材料本身出发，后者会用之前产品建立起来的框架去解读新材料，材料相同，加工方式不同，结果自然不同。
设计者容易忽视这层加工的存在，是因为设计者自己看系统映像时，脑子里早就装着设计模型作为背景知识，看什么都会不自觉地对号入座、觉得"这明明已经说得很清楚了"。这种视角本身就无法用来判断一个从未接触过设计模型的用户会从同一份材料里推出什么——设计者对自己作品的理解，结构性地不能代表用户的理解过程。
怎么研究
要知道用户实际推导出的模型是什么，不能只问"你觉得这个好用吗"，需要用能把内部表征外化出来的方法：
- 预测任务（prediction task）：给用户一个从未做过的操作，让TA先说出预期结果，再实际执行，比较预期与实际的落差，落差的模式能反推用户模型里哪部分是错的。
- 教学返演（teach-back）：让用户用自己的话把系统"是怎么运作的"讲给另一个人听，讲述中出现的简化、遗漏、编造的因果关系，都是模型内容的直接证据。
- 绘图/结构化描述：让用户画出系统各部分之间的关系图，适合考察结构性、非线性的理解（数据流向、权限范围），比单纯的问答更能暴露模型的整体形状。
常见自变量：系统映像的呈现方式（是否有显式说明、说明的详略）、用户的先验经验水平。 常见因变量：预测准确率、教学返演中出现的错误陈述数量、结构描述与实际架构的吻合程度。
这套方法在界面研究里常用于验证一次设计改动是否真的传达了预期的概念模型——上线前用同一批任务分别测有无显式说明的版本，比较用户推导出的模型差异。
方法论注意点：这类任务会占用被试相当的时间与认知努力，被试可能因为"配合实验"而比真实场景更认真地组织答案，测出的模型准确度可能高于用户在实际使用中随意形成的模型，解读时要打个折扣。
边界
- 设计者对系统映像的调整只能改变用户模型形成的概率分布，不能锁定某一个具体结果——再清晰的说明，也总会有用户基于自己的经验推出一个设计者没预料到的理解。
- 这层不可控不是均匀分布的：用户先验经验越贫乏（第一次接触这类产品），推导过程越贴近系统映像本身的字面内容，设计者的控制力相对更强；用户经验越丰富，既有框架介入越多，控制力相应下降。
- 这条讲的是设计者与用户模型之间这一层间接关系的存在，不涉及系统映像内部是否自洽——内部矛盾是否存在、如何产生，是另一层问题。
怎么落地
- 评估一个设计决定时，把问题从"这是不是清楚地表达了我想要的意思"换成"一个没有背景知识、只看到这份材料的人会推出什么"——前一个问题只有设计者自己能回答，也正因如此不可靠。
- 对结构性强、无法从单次操作直接观察到的概念（权限范围、数据同步边界），单靠隐式呈现风险最高，因为这类概念留给用户推导的空间最大，误差也最大。
- 验证办法：定期用预测任务或教学返演考察真实用户，把用户实际推导出的模型与设计模型并排比对，偏差集中的地方就是系统映像里最需要补强的地方，而不是靠设计者自我审视找出来的。