切换任务需要重新加载规则与目标
别名: 任务集重构 · switch cost · 切换代价
概念解释
从任务 A 切到任务 B，除了完成 B 本身要做的操作，认知系统还必须先做一件事：把 B 对应的一整套规则——该注意什么、该怎么判断、该用什么方式反应——重新装载进当前的工作状态，这个过程叫任务集重构（task-set reconfiguration）。这份额外代价与 B 任务本身的难度无关，是"切换"这个动作本身产生的，这正是切换代价（switch cost）的来源之一：即使换到的是一个已经很熟悉、几乎不用思考的任务，只要发生了切换，反应时间和错误率通常仍会比连续做同一任务时更高。这不是"进入新任务需要热身"那种练习效应，而是每次切换都要重新支付的固定成本，即便两个任务此前都做过很多遍。
机制
认知系统在任一时刻只能维持一套"活跃"的任务规则用来解释接下来的刺激、决定该做什么反应。任务集重构就是把这套活跃规则换掉：卸下旧任务对应的判断标准与反应映射，装载新任务对应的判断标准与反应映射。这个过程需要主动的执行控制介入——它不是自动发生的，而是要调用一部分注意资源专门去做"更新当前该遵循哪套规则"这件事，这也是切换代价会占用时间、拖慢反应的原因。规则内容越复杂（涉及的判断条件越多、反应映射越不熟悉），重构要更新的内容越多，代价通常也越大；但即使规则很简单，重构这个动作本身仍然存在，代价不会降到零。
怎么研究
主要范式是任务切换范式（task-switching paradigm）：让被试在几种简单分类任务之间按提示轮流切换，比较"切换试次"（这一次的任务与上一次不同）与"重复试次"（这一次与上一次相同）之间的反应时与错误率差异，这个差值就是切换代价的操作化指标。
常见自变量：任务是否发生切换、任务本身的规则复杂度。 常见因变量：反应时代价（切换试次减重复试次）、错误率代价。
这套范式在人机交互里常被借用来评估"用户在多个界面模式或多个功能面板之间往返操作"的额外开销，量化的是纯粹"切换"这一动作本身要花多少代价，与内容记忆无关。
方法论注意点：实验室范式里的任务通常简单且高度结构化（分类判断），现实里的任务切换往往夹杂着内容更丰富的目标与子步骤，实验室测出的纯净切换代价是一个下限，不是现实切换代价的全部。
边界
- 这条讲的是任务集层面的规则重装，不涉及被外部事件强行打断后如何恢复原任务——那是恢复代价的问题，恢复代价的核心是重建被打断时的进度与目标状态，机制与这里的规则重构不同。
- 如果两个"任务"共享几乎全部的规则与反应映射（只是刺激材料不同），重构的内容很少，代价会明显缩小，接近于同一任务的连续执行。
- 纯净的切换代价在实验室范式里可以被隔离测量，但现实场景里的切换往往同时伴随内容记忆的重建，两部分代价容易被观察者混为一谈。
怎么落地
- 把"用户需要在两个功能模式之间来回切换"本身当作一项有代价的设计决策，而不是零成本的导航行为；能合并到同一模式下完成的操作，优先合并。
- 如果确实需要频繁切换（例如编辑模式与预览模式），让两侧的规则尽量共享（一致的操作逻辑、一致的快捷键含义），减少每次切换需要重装的规则内容。
- 验证办法：测量用户在两个模式间来回操作时，紧邻切换动作之后的首次操作的反应时与出错率，和连续在同一模式下操作的对照比较；差值明显，说明当前的模式切换设计仍在制造可观的重构代价。