O2.08.2Empirical privacy-notice comprehension设计研究
可读性可通过用户理解测试而非文本长度衡量
别名: 隐私说明理解测试 · 可读性实证 · comprehension-based readability
概念解释
隐私说明的实证理解（empirical privacy-notice comprehension）把可读性定义为目标用户能否从说明中得到正确、可迁移的数据行为模型，而不是文档有多短、平均句长多少或得到某个阅读等级分数。短文本可能因省略而难以预测，长文本也可通过结构和例子支持准确查用。
机制
文本指标只代理词汇和句法表面，无法看到未定义概念、信息架构、前置知识、重要遗漏或用户对产品的错误先验。理解是读者、文本与任务的关系：同一说明可能支持查找接收方，却不足以判断删除例外。直接测试这些任务，才能发现准确答案背后的猜测与高信心误解。
怎么研究
建立覆盖主体、数据、功能、接收方、保留、权利和例外的命题表，用自由回忆、具体情境判断和新案例迁移测试。同时记录答案信心，区分未知、低信心错误和高信心错误。应包含不同语言、素养、设备和辅助技术用户；只测内部法务团队会严重高估一般理解。
边界
理解测试不是对每位用户的考试，不应在产品中以答题阻挡服务。小样本可用于发现故障，不能精确估计全体通过率。某些内容本身复杂，简化后仍需交互支持；测试未通过不自动意味着“再删几个字”。可理解也不等于处理必然正当或合法。
怎么落地
- 从实际数据流建立必须理解的命题和高风险误解，先定义成功而非先设定字数上限。
- 为每个命题编写直接回忆题、情境判断题与一个迁移题，不只使用“这段容易懂吗”。
- 按目标人群和使用情境招募，报告错误类型、遗漏与信心校准，不将平均分遮住高风险子群。
- 将每个失败映射回文案、结构、例子或遗漏命题，修订后用新参与者复测；不用自动阅读分数代替闭环。