触屏、语音与体感缺乏公认常数，使用前需自行测定
别名: 触屏常数 · 语音输入 · 体感交互 · 待标定操作
概念解释
经典 KLM 常数针对桌面键鼠。触屏的按压、滑动、捏合、软键盘；语音的唤醒、识别、纠错；体感的姿态、延迟和疲劳都没有普适时间常数。将这些输入用于模型前需要自行测定（measure constants）。这一条是同组前四条的落脚点：前四条讨论的单元分类、心理准备规则、阻塞判断和常数可靠性，全部建立在"存在一套可以参照的常数"这个前提上，而这一条要说明的是——对新输入方式而言，这个前提本身还不成立，标定工作要从零开始，不能假装它已经存在。
机制
新输入方式的耗时依赖桌面场景完全不涉及的自由度：触屏操作要考虑手指本身对目标的遮挡、软键盘弹出后可用视觉区域的变化，以及系统为了补偿误触而做的算法修正，这些因素都会让同一个"滑动"动作在列表、画布和地图这几种不同场景下呈现出完全不同的时间规律，不能用一个统一常数覆盖；语音输入的效率高度依赖识别准确率和用户发现识别错误后选择怎么纠正，识别率本身又会随环境噪声、口音和麦克风质量剧烈波动，这意味着语音输入的耗时甚至不适合用一个单一常数去描述，更适合拆成"正常识别"和"识别失败后纠错"两条完全不同的路径分别建模；体感交互还额外引入了身体疲劳这个桌面场景里几乎不存在的变量，同一个手势动作在连续做了很多次之后，耗时和准确率都会发生变化，这也是键鼠常数完全没有考虑过的维度。既然这些因素在桌面场景的常数体系里根本没有位置，正确的做法不是从旧常数表里挑一个看起来相近的数字凑合用，而是把这些新动作当成完全未标定的操作，从头测量。
边界
自行测定不等于要求做一次大规模实验才能开始用模型——用少量符合目标画像的用户，测出主导动作的中位数和大致的分布范围，对大多数设计决策已经够用；真正需要严格标定的，是那些要拿去做绝对时间承诺的场景。做相对方案比较时，最关键的是保证测量条件在两个方案之间完全一致，而不是追求每一个常数都绝对精确——这和常数可靠性那条里"误差要均匀作用在两个方案上"的道理是一致的。识别错误率是另一个需要单独强调的边界：语音和手势输入的错误率不应该被悄悄摊平进一个平均耗时里，因为平均之后，一个"大部分时候很快、偶尔因为识别错误耗时很长"的输入方式，会和一个"耗时始终稳定但整体略慢"的输入方式呈现出相同的平均数字，但两者带给用户的真实体验完全不同，必须把识别错误单独建模成一条独立的路径，而不是混进平均值里。
怎么落地
- 先列出目标任务里会用到的新输入动作清单，对其中真正占主导地位的那几个动作，用五到十名符合目标画像的用户实测。
- 分别记录成功、需要纠错、用户主动取消和操作超时这四种结果各自的耗时，语音输入还要单独记录识别准确率。
- 针对不同的目标尺寸、身体姿势和环境噪声水平做敏感性测试，确认常数在这些变化下的稳定程度。
- 验证办法：发布任何基于这些新常数的估算时，同时公开测量所用的设备型号、系统版本、任务内容、样本量和误差范围，让读者能判断这份常数是不是适用于他们自己的场景，而不是把一份特定条件下测出的数字当成普遍适用的真值。