反应时的个体差异大于多数界面优化的收益
别名: 反应时个体差异 · within-vs-between subject variance
概念解释
不同个体之间的反应时差异——受年龄、疲劳程度、警觉水平、练习程度、甚至一天中的时段影响——其幅度通常远大于界面设计中常见的延迟优化所能带来的收益。一个界面把某个反馈延迟从 150ms 降到 100ms，节省的 50ms 往往远小于用户群体之间反应时的自然差异（同一任务下不同个体间可以相差数百毫秒）。
机制
反应时的个体差异来自多个独立叠加的来源：神经传导速度随年龄增长而减慢、疲劳与低警觉状态会延长中枢处理段、长期练习会让某些高频操作的中枢处理趋于自动化从而变快，这些因素各自的效应量级往往是几十到上百毫秒，而单一界面改动通常只能触及反应时构成里的某一小段（如仅优化视觉呈现的清晰度），能挤出的时间天然有限。
怎么研究
要判断某项界面优化是否"值得"，需要把组内比较（同一批被试，比较优化前后）与组间的个体差异（不同被试之间的方差）放在一起看：常见做法是用重复测量设计控制个体差异带来的噪声，只有当优化带来的组内效应量明显大于测量噪声与个体差异时，才能认为这项优化在统计上站得住脚，而不是被个体差异淹没的伪效应。
边界
这不意味着毫秒级优化毫无意义——在高频重复、大用户量的场景下（搜索引擎的响应延迟、高频交易类界面），微小的平均值改善经过大量重复后仍能带来可观的总体收益；差异是否"大于优化收益"随任务的重复频次与用户规模而定，不能一概而论地认为所有毫秒级优化都不值得做。
怎么落地
在为反应时敏感的功能定优化优先级时，先用同一批用户的重复测量数据估计任务本身的个体差异幅度，再评估计划中的界面改动预期能带来多大的平均值变化；如果预期收益远小于已知的个体差异幅度，且该功能不属于高频重复、大用户量场景，应把优化资源转向其他更容易产生可感知差异的地方（可靠性、容错设计），而不是继续压缩毫秒级延迟。验证办法：对同一功能做 A/B 测试并报告效应量相对于组内标准差的比例，而不只是报告平均值差异本身。