分层筛选把大量选项拆成多轮小选择，比一次性罗列全部选项负荷更低
别名: 分层筛选 · progressive filtering · staged narrowing
概念解释
面对大量选项时，与其一次性把所有选项摊开让用户从头到尾扫描比较，不如分层筛选（progressive filtering）：先让用户在少数几个粗粒度维度上做一轮小选择——比如先选品类、再选价位区间——逐步缩小候选集合，最后只在一个大幅收窄后的小集合里做精细比较。这种做法可以在选项总量完全不变的前提下，降低选择过载造成的负荷。
机制
一次性罗列全部选项时，认知负荷随集合规模上升，用户要在同一个负荷水平上处理全部选项之间的比较；分层筛选把这一次大决策拆成若干次小决策，每一轮只需要在少量候选（通常是几个大类或区间）之间做判断，单轮负荷显著低于处理全集。更重要的是，后一轮的候选集合已经被前一轮的选择约束过，用户在后续轮次里面对的是与自己已表达偏好高度相关的子集，不需要重新审视那些已被排除、明显不合适的选项——负荷降低不只是因为"每次数量少了"，更是因为无关信息被结构性地移出了处理范围，而不是简单地把同一份工作量平摊到多轮里。
这和单次选择内部反应时随选项数增长的经典结论描述的是不同现象：那条讲的是选项之间没有结构、需要逐项扫描时反应时如何随数量变化；分层筛选改变的是任务结构本身——把一次扫描型选择替换成多次分类型选择，处理机制不同，两者的证据不能直接互相套用。
怎么研究
比较分层筛选与一次性罗列两种呈现方式，在选项总量相同的前提下测量任务完成时间、满意度、选择放弃率与事后遗憾感。也需要关注筛选层级数与每层候选数的设计：层级过多、每层选项过少，会把负荷从"比较选项"转移成"记住自己在哪一层、还剩几层没走完"的导航负荷，存在一个层级深度与单层宽度之间的权衡，不是层级越多越好。
边界
分层筛选生效的前提是筛选维度确实对应用户真正在意的决策标准。如果筛选维度和用户实际的判断依据不一致（比如先按品牌分层，但用户真正在意的是价格），用户会在错误的维度上被迫做出无关判断，不仅没有降低负荷，反而增加了"猜测系统希望我按什么标准思考"的额外负担。分层本身也有代价：如果某一层的划分把用户真正想要的选项意外排除在候选集之外（边界效应，比如价格区间刚好卡在两档之间），用户可能永远不会在后续层级里看到那个原本最合适的选项，这是一次性罗列不会出现的风险。
怎么落地
- 设计筛选层级时，先确认每一层对应的维度是用户在做该决策时真正会用来判断的标准，而不是数据库里现成的分类字段。
- 控制层级深度：通常两到三层足够把大集合收窄到可比较的规模，层级过深会把负荷转移成导航负荷，得不偿失。
- 在筛选维度存在临界值的地方（如价格区间边界），提供"临近区间也看看"的入口，避免边界效应把本该出现的选项挡在候选集之外。
- 验证办法：对比一次性罗列与分层筛选两个版本的完成率与满意度，同时统计用户在筛选过程中的回退次数（退回上一层重新选择），回退次数高说明筛选维度设计得不准，需要调整。