关联负荷用于建立理解，不应被压到零
别名: 关联认知负荷 · 生成性负荷 · germane load
概念解释
关联负荷（germane load，也称生成性负荷）是用户为了建立可迁移的理解而主动投入的加工——把新信息和已有知识联系起来、总结出规律、在头脑里搭出一个能应用到新情境的心智模型。和内在、外在负荷不同，它不是需要清除的负担，而是三类负荷里"有生产性"的那一部分：一定量的关联负荷是学习和深度使用得以发生的前提，不是设计要一并压低的对象。常见的误解是把三类负荷都当成越低越好——如果关联负荷被压到零，用户或许能顺利完成眼前这一次操作，却学不会、记不住，遇到稍有变化的情境就得从头摸索。
机制
理解或图式的形成需要主动加工：把分散的信息元素整合成一个可以整体调用的知识结构。这个整合过程本身要消耗工作记忆资源，但正是这份消耗换来了长期记忆里可迁移的心智模型。如果把界面里所有"多余的"认知活动都清除掉——包括这部分主动整合——用户确实会感觉更轻松，但轻松的代价是没有建立起可迁移的理解，下一次面对同一类任务的变体时，仍然要从头摸索，而不是调用已经内化的知识去应对。
边界
关联负荷不是越多越好。如果任务的内在负荷和外在负荷加起来已经接近工作记忆容量的上限，再要求用户额外投入主动整合，总负荷会超出上限，导致操作和学习同时失败——这也是为什么要先把外在负荷压到最低，为关联负荷腾出预算，而不是在总负荷已经吃紧的情况下反过来鼓励更多"引导思考"式设计。对已经很熟练的用户，同样的引导性设计可能不再产生新的理解，反而变成不必要的重复，实际上转化成了外在负荷。
怎么落地
设计时要主动保留或制造促进理解的环节，而不是把它们当作可以精简的步骤：让用户自己完成关键的一步归纳而不是全部替他做完，提供类比或对比帮助建立心智模型，允许探索性的反馈而不是只给出最终答案。这些做法的前提是先把外在负荷压到最低，给关联负荷腾出总容量里的空间，否则总负荷会超限。验证办法：对比"直接给出最终答案"和"引导用户自己得出结论"两个版本，在迁移任务（不是原任务的简单重复，而是需要用户把理解套用到新情境的变体任务）上比较表现；如果引导版本在迁移任务上明显更好，说明这部分关联负荷的投入确实换来了可迁移的理解，值得保留。