目标读者决定可接受的复杂度
别名: 目标读者模型 · 复杂度校准 · 语言与读写需求 · audience analysis
概念解释
面向任务的读者复杂度模型（task-specific audience complexity model）依据人们完成当前任务可调用的知识、语言、读写与设备资源，以及压力、时间和后果，决定内容需要解释到什么程度。复杂度不是某段文字或某类人口的固定属性；同一个人可能熟悉一个专业概念，却在陌生设备、第二语言、疲劳或紧急状态下需要更多显式线索。目标读者因此应以可验证的能力—任务条件描述，而不是年龄、国籍、职业名称或教育程度等刻板标签替代。
机制
理解需要把新信息接到已有概念，识别词语与句法，并在当前设备和注意条件下保持关系。领域知识可减少背景解释，稳定术语可压缩熟练读者的处理，但较低语言熟练度、有限读写经验、压力、分心、小屏、放大或线性读屏会改变信息取得方式。任务本身也决定容错：探索内容可以边读边学，紧急处置或不可逆决定则需要更直接的条件与后果。只以人口标签定级会把群体平均误当作个人能力，也会漏掉专家首次执行新任务和普通用户长期熟练后的变化。
怎么研究
先用访谈、工作观察与任务分析列出完成目标所需的概念、术语、推理步骤和设备交互，再按这些可解释变量招募，而非先按人口类别猜测难度。理解测试可测释意、条件判断、信息查找、首次正确动作、求助和恢复，并记录使用语言、领域经验、任务频率、读写需求、压力情境与设备。比较不同复杂度版本时保持事实和功能能力一致，避免把删掉信息误判为更易懂。样本不足以代表全部受众时，应报告覆盖缺口并提供可切换或分层方案，而不是宣称一个永久读者档位。
边界
读者模型不是给人贴“简单版/高级版”的身份标签。自适应内容若根据隐含人口属性降级，可能冒犯、隐藏能力或强化排斥；显式选择、任务角色和可撤销偏好通常更安全。清楚的结构、具体词和可访问呈现并非只服务低读写者，专家在高压下也受益。反之，保留必要专业术语不等于拒绝可访问性：可以给定义、示例与下钻层级。法律或安全规定的信息下限不因某群体被假定“难以理解”而消失。
怎么落地
- 为每个关键任务记录读者所需领域知识、术语熟悉度、语言与读写需求、压力/时间条件、设备与辅助技术、使用频率和误解后果；不用人口标签直接推导文案级别。
- 设计共享的清楚摘要，并在邻近层提供术语定义、示例、专业参数和完整依据。让用户按任务取得更多精度，而非在互不相通的“普通/专家”版本间被永久分类。
- 对首次使用、熟练使用、代理操作、第二语言、窄屏、放大、读屏和高压情境分别走查；保持关键事实一致，只调整解释量、顺序和可取得层级。
- 用目标条件下的理解与行动结果维护模型。受众、任务或设备变化时重新验证，并允许用户覆盖系统推测、恢复完整信息和报告解释不足。