B4.14.3Cognitive Complexity Theory设计研究
该理论能对新旧系统之间的迁移收益给出定量预测
别名: 迁移预测 · 定量预测 · 学习时间预测
概念解释
认知复杂度理论不止说「共享规则有帮助」，还能算出帮助多少：学习第二个系统的时间预测为「未共享规则数 × 单条习得常数」，与从零学习的「总规则数 × 常数」相比，就得到迁移收益的定量预测。
机制
迁移收益来自规则清单的差集。对候选设计 A 和 B，分别与旧系统求规则差集，差集更小的设计预测学习时间更短；收益大小由差集规模而非共享比例直接给出，因此可以比较两个不完全相同的设计方案。
怎么研究
验证方式是预测—观测对照：建模者先从新旧界面的产生式模型算出差集大小并给出学习时间预测，再让未接触过新系统的被试学习，实测时间与预测做回归。预测显著优于「总规则数」基线时，说明规则差集是有效预测量。
边界
定量预测依赖单条习得常数的稳定性，也依赖建模者对规则粒度的一致选择；差集计算只捕捉陈述性的「条件—动作」知识，不预测操作流畅度、错误率和情感反应。迁移收益是相对量，适合方案排序，不适合当作绝对工期承诺。
怎么落地
- 在方案评审中用规则差集数量做迁移性打分：同一个月内上线的改版方案，优先选差集最小者。
- 用预测值设置学习成本的验收线，例如「熟练老用户新任务首用时不超过旧任务的 1.3 倍」，上线前实测检验。
- 保存每个版本的规则模型，让下一轮改版能复用同一粒度的差集比较。