映射相同的相似动作产生正迁移
别名: 正迁移 · positive transfer · 运动技能迁移
概念解释
一个人在旧设备上练出来的操作习惯,搬到新设备上时,如果触发条件与该做的动作之间的对应关系（映射）保持一致——比如两指下滑都对应"缩小"、旋钮顺时针都对应"增大"——即使新设备的外形、尺寸、材质都不一样,学习速度和初期表现也会明显好于从零开始学一个陌生控件。这种借助旧技能加快新技能习得的效果叫正迁移（positive transfer）,是运动技能迁移里最常见、也最值得设计上主动利用的一种情形。
机制
运动技能在大脑里存下来的,不是某一次具体动作的逐帧记录,而是一套更抽象的广义运动程序（generalized motor program）——控制的是动作各部分之间的相对时序、相对力度比例这类结构性参数,而不是绝对的肌肉收缩序列。当新任务调用的其实是同一套底层程序,只是外壳（设备形状、绝对尺度、视觉样式）变了,原有的参数结构可以几乎原样套用,只需要重新校准一下绝对尺度或力度这类表层参数,而不必从头搭建整套控制结构。这正是为什么表面差异很大的两个设备,只要底层映射一致,学习曲线依然能明显缩短。
怎么研究
验证正迁移的经典方法是迁移实验设计：让一组被试先在任务 A 上训练到一定熟练度,再测试任务 B 上的初始表现,与完全没有接受过任务 A 训练的对照组比较,如果实验组在任务 B 上的起始错误率更低、达到某个熟练标准所需的试次更少,这部分节省的学习量就是正迁移的量化证据,这类节省通常被称为迁移量或节省分数（savings score）。
边界
正迁移的收益大小取决于两个任务底层映射结构的重合程度——重合越多,节省越大；映射只是部分重合时,收益也只会体现在重合的那部分参数上,不重合的部分依然需要从头学习。正迁移也有上限：它能缩短学习时间、降低初期错误率,但不能替代练习本身,新设备特有的绝对尺度、力度、时延等参数还是需要一定量的重新校准练习才能达到熟练,不会因为映射相同就直接跳过这一步。
怎么落地
- 在产品跨版本或跨设备设计时,优先保留高频操作的响应方向、触发条件与动作结果之间的对应关系,即使视觉外观、控件形状必须调整,也要把这层映射当作比外观更优先保护的资产。
- 评估一次改版对老用户的实际学习成本时,不要只看界面变化的视觉幅度,而要先判断映射关系是否保持——映射不变的改版,即使外观变化很大,老用户的适应速度也会快于映射发生变化的改版。
- 验证办法：分别招募有旧设备使用经验的用户和完全没有相关经验的新用户,让两组人首次使用新设备完成同一组高频操作,比较两组的首次错误率与达到稳定表现所需的尝试次数——有经验组明显更快,说明映射保留确实带来了可衡量的正迁移。