全部正常的画面会降低对细微变化的警觉
别名: 正常化效应 · all-normal display
概念解释
长时间维持全部正常会产生正常化（normalization）：操作员逐渐形成"下一次大概率还是正常"的强烈预期，细微但确有意义的偏离更容易被顺手归入背景噪声。这不是单一原因造成的：既有警觉水平随时间下降的成分，也有判断标准本身随经验悄悄改变的成分，两者经常被混为一谈，但对策并不相同。
机制
重复且稳定的画面会让视觉搜索逐渐自动化，一个稀有的偏差如果和背景共用相同的视觉编码（同样的颜色、同样的字号、同样的位置逻辑），就缺少足够的注意捕获力被单独拎出来；如果系统本身经常出现无害的小波动，操作员还会在这个过程里学会主动忽略类似的线索，单纯把颜色调得更鲜艳只会让显著性很快被用完，不能持续起效。
第二层需要拆开的是：上面这种识别率下降，究竟是感知能力本身钝化了，还是判断标准悄悄挪动了位置，这两者用信号检测论（signal detection theory）的术语分别对应辨别力（d′）下降和判定标准（criterion）漂移，原因不同，对策也完全不同。判定标准漂移的机制是：在漫长的正常序列里，操作员会不自觉地权衡"报错了会被同事觉得大惊小怪"和"漏掉了才是真正的责任"这两种代价，如果过去多次相似的小偏差最终都被证明是无害噪声，报出偏差需要越过的证据门槛就会被悄悄抬高——这时即便让操作员打起精神、保持专注，只要判断标准没有被重新校准，识别率照样上不去，因为问题根本不在警觉水平上。
怎么研究
可以在长时间的正常基线序列里嵌入幅度、持续时间各不相同的偏差，测量命中率、虚警率和反应时，并用信号检测论分别算出辨别力和判定标准，而不是只看整体正确率——如果辨别力基本不变而判定标准明显抬高，说明问题出在标准漂移而不是感知钝化。可以再设一组对照，比较连续监视与每隔一段时间轮换任务两种安排下的表现差异，借此把"时间在岗"本身的效应和"判断标准随经验漂移"的效应分开来看。
边界
这条主要适用于长时间、单一岗位、持续盯着同一批画面的监视场景；如果是巡检式监控、多操作员轮岗、每次只停留几分钟的场景，长时间暴露带来的正常化效应会大幅减弱，不能照搬这条结论。经过专项训练、专门用来识别特定偏差模式的班组，标准漂移可以通过训练部分缓解，但不能靠增加界面颜色去对抗——过度的颜色提示会带来色觉疲劳，虚警反而增多，这一点在机制段已经说明了原因。也不是所有细微变化都值得被强行突显：有经验的操作员对已知的过程噪声做出的过滤有时候本身就是合理判断，把这种过滤当成缺陷去纠正，反而会制造不必要的干预。
怎么落地
用与工况匹配的正常包络和允许的偏离持续时间来呈现状态，而不是只有绿色和红色两种二元结果；把颜色资源留给真正需要操作员采取行动的偏离，让偏离在视觉上表现为"偏离基准线多远"而不是"颜色跳了一下"，判断依据更客观也更抗习惯化。如果诊断认为问题出在时间在岗导致的感知钝化，对策是缩短连续监视时长或安排任务轮换；如果问题出在判断标准漂移，对策要落在改变小偏差被呈现和讨论的方式上，例如定期用真实历史片段做复盘，而不是简单要求操作员更专注。验证办法是把信号嵌入回放做成常规培训和验收工具，持续记录每名操作员的辨别力和判断标准随时间的变化趋势，一旦某人的判断标准明显抬高就触发重新培训或调整排班。