常数的绝对值可疑，但方案之间的差值相对可靠
别名: 常数绝对值 · 差值比较 · 敏感性 · 误差分布不均
概念解释
KLM 常数的绝对秒数受年代、设备、人群和方法影响，不宜作为精确承诺；但当同一标定和规则用于两个方案时，步骤数、移动距离和阻塞差异引起的相对差值（relative difference）较稳健。这一条和"GOMS 适合方案比较而非绝对时间预测"讲的是同一个大道理在不同层面的体现：那一条说的是操作序列这种结构性事实（少几步、少几次模式切换）比时间数字本身更稳健，这一条要往下再走一层，专门讨论时间常数本身在什么条件下也能撑得住比较——答案是：只要常数误差平均分摊在两个方案身上，差值依然可靠，一旦误差集中在某一个操作单元上、而两个方案对这个单元的依赖程度又不一样，差值本身就会失真。
机制
常数误差能被比较抵消，前提是这份误差以近似相同的方向和幅度同时作用在两个方案身上——比如两个方案都大量用到"指点"这个单元，即便指点常数本身标定得不够准，只要两边用的是同一个不准的常数，相减之后这部分误差大体抵消，剩下的差值主要反映的是两个方案在指点次数或移动距离上的真实差异。但如果两个方案的操作构成本身不对称——方案 A 大量依赖某个常数误差特别大的单元（比如新出现的手势输入，常数本身还没有被可靠标定过），方案 B 几乎不涉及这个单元，此时这份误差不会均匀地作用在两边，它会不成比例地放大或压低方案 A 的估算结果，"抵消"这个前提条件就不再成立，算出来的差值本身也就跟着不可靠。这也是为什么这一条必须建立在心理准备插入规则和系统响应阻塞判断这两条之前——如果这两项判断本身在两个方案之间不一致（比如给方案 A 套用了更松的 M 插入规则，给方案 B 套用了更严格的规则），差值同样会失真，误差来源不只是常数标定不准，规则应用不一致同样会破坏"差值可靠"这个结论成立的前提。
边界
不能拿使用不同规则、不同设备条件或者基于不同任务路径假设算出来的两份估算直接相减去比较——这种比较连"误差方向大致相同"这个最基本的前提都不满足，得出的差值毫无意义。如果两个方案之间真正的差异恰好体现在误差本身很大的那类单元上（比如都依赖某种还没有被可靠标定的新输入方式），那么无论是绝对值还是差值，都不能只靠模型给出的数字下结论，必须用真实测量去补上。当理论算出来的差值本身很小的时候，也要考虑这个差值有没有可能被测量噪声或者用户策略的自然波动完全盖过，不能因为模型给出了一个正数或者负数就当成确定的结论。
怎么落地
- 报告方案 A 和方案 B 的对比结果时，把各自的单元序列、算出的差值、用的哪套常数、哪套心理准备规则和阻塞判断都列出来，而不是只给一个总秒数的差。
- 严格保证对比的两个方案用的是同一套常数、同一套 M 插入规则和同一种设备条件，任何一项不一致都要在报告里单独说明，不能默认它们可以忽略。
- 对当前对比里占主导地位、又恰好是误差较大的那个单元单独做一次敏感性分析，检查如果这个单元的常数上下浮动一定比例，最终排序会不会跟着翻转。
- 验证办法：用少量真实熟练用户实测两个方案，确认模型给出的差值方向和幅度与实测结果基本一致；如果实测结果和模型差值明显不符，优先怀疑是不是误差集中在了某个两个方案依赖程度不对称的单元上。