仅预测无错误的熟练操作
别名: 熟练用户模型 · 无错误假设 · GOMS 边界 · 下界
概念解释
标准 GOMS 假设用户已知道目标、方法和选择规则，并且按最优路径无错误执行。它预测熟练用户在稳定界面上的操作结构，不预测新手学习、误操作、犹豫、探索或异常恢复。这一条紧接在"用目标、操作、方法与选择规则分解任务"之后：上一条说明了怎么把任务拆成可计算的结构，这一条说明这套结构之所以能被计算，恰恰是因为它事先排除了错误——理解这一点，才知道算出来的数字到底代表什么。
机制
GOMS 分解要求每一步都是明确的：目标固定、方法已选、条件已知、每个操作执行后都成功推进到下一步。这不是建模者偷懒省略了错误，而是错误这件事在结构上就没办法被塞进这套框架——一旦某个操作失败，接下来会发生什么，取决于用户具体犯了什么错、发现得多快、选择怎么补救，这些分支的数量和路径几乎是无限的，而且每一条分支背后依赖的不是"操作时间"这类可以标定的常量，而是当时的认知状态、注意力和运气。模型要保持可计算，唯一的办法是把这团不确定性整个切掉，只留下"如果一切顺利会发生什么"这一条路径。正因为如此，GOMS 给出的时间从来不是"一个用户完成这个任务平均要多久"，而是一个下界——它回答的是"在最理想的条件下，这个操作序列本身需要多长"，真实耗时只会比这个数字更长，不会更短。
边界
这个边界不代表模型没有价值，恰恰相反：高频的企业内部任务、控制室操作流程、重复性的编辑工作，用户经过大量练习后确实会逼近"熟练无错"这个理想状态，这时候 GOMS 给出的下界和真实耗时之间的差距很小，可以直接拿来做方案比较。这个边界真正划定的是它不能回答的问题——如果任务是首次使用、容易出错或者需要探索着完成，GOMS 算出来的数字和用户真实的完成时间会出现系统性的落差，这个落差本身反而是一个有诊断价值的信号：如果实测的熟练用户耗时远高于 GOMS 预测的下界，说明界面里存在模型看不到、但确实在发生的犹豫、误触或反复确认，这提示的不是"模型算错了"，而是"这个任务离熟练无错还有距离，需要用别的方法去补上这段差距"。
怎么落地
- 每次给出 GOMS 分析结果时，明确标注它针对的熟练度水平和界面版本，不要让报告读起来像是"所有用户平均耗时"。
- 对首次使用、错误恢复和无障碍相关的问题，改用新手测试、错误日志和辅助技术走查去补充，不要指望从 GOMS 时间里读出这些信息。
- 对错误率偏高或使用频率很低的任务，不要单靠 GOMS 给出的理想耗时去判断这个设计好不好用。
- 验证办法：把 GOMS 算出的专家基线，和实测熟练用户的真实耗时做对比；如果两者差距明显大于测量误差本身，说明界面里存在没有被模型捕捉到的额外成本，需要回头检查方法假设或者做进一步的用户观察，而不是简单地归因于"熟练度还不够"。