U1.01.2Experimental measurement of graphical judgment设计研究
该排序由量值判断实验测得，不由设计直觉给出
别名: 量值判断 · 比例估计 · 图形感知实验 · log absolute error
概念解释
图形量值判断实验（experimental measurement of graphical judgment）让参与者从受控图形估计比例、差值、排序或数值，再将回答与真实值比较。Cleveland 与 McGill 从理论和既有证据提出通道顺序，再以比例估计和变换后的绝对误差检验其中若干 elementary perceptual task 比较；它不是设计师投票，也不是一次实验直接产出的完整固定排名。实验使直觉成为可反驳假设，但一次实验不能自动产生普适设计定律。
机制
比例估计把“较小量是较大量的百分之多少”作为响应，无需读取隐藏原始数字，却仍包含估计、数值表达和个体策略。经典 log absolute error 对误差作变换，以降低尺度偏斜并比较条件；现代分析还可用分层模型、重抽样或稳健统计表达参与者与题目差异。平均误差相同的通道可能在偏差方向、尾部错误或用时上不同，所以研究问题决定需要哪组指标。
怎么研究
预先定义 estimand、刺激生成、样本、排除、重复次数和分析，再在参与者内随机或平衡通道与真值范围。保留原始判断，报告误差公式、偏差、分布/区间、时间和个体差异；不要只发布排序。用注意检查和可验证题目控制众包质量，但排除规则必须预定且不按结果挑人。复现旧研究时既保留可比条件，也应单独测试真实设备、目标读者与新图形。
边界
比例估计不是纯粹的“无算术知觉”：百分比理解、输入方式和策略也会影响结果。小便利样本可以发现巨大缺陷，不能据此宣称群体排序；几十次重复也不能补偿样本覆盖偏差。实验误差不等同于现实决策损失，趋势查找、记忆和解释仍需对应任务。设计直觉可生成假设或解释异常，但不能替代数据。
怎么落地
- 把争议写成可测任务，例如比较 A/B 比例或找最大项，并用真实值计算明确误差而非询问“更直观吗”。
- 对新编码至少比较可信基线，随机化刺激并覆盖真值、大小、位置和显示条件；记录缺失、设备与质量控制。
- 同时报误差、系统偏差、用时、失败尾部和参与者差异；结果相近时保留不确定性，不强行排唯一名次。
- 将实验结论绑定到版本、任务和受众。设计评审引用证据条件，产品变化后复测，不把一次均值永久写进组件规则。