Z3.07.2Adaptive automation设计研究
自动化也会根据观察到的行为持续调整策略
别名: 自适应自动化 · 学习型调度 · personalization
概念解释
相互塑造的另一半：系统也在根据观察到的用户行为调整自己的策略——学习型调度（什么时候该预热）、习惯建模（通常几点到家）、个性化阈值（多亮算太亮）。这是环境自动化与固定规则自动化（老式定时器、光控开关）的本质区别：后者用户单向适应一个不变的规则；前者是两个适应者互相追赶。
「用户适配系统」与「系统适配用户」两股适应流同时进行，使得这类系统的行为不能只看设计文档——运行三个月后的它，和刚装好的它，策略已经不同。
机制
系统侧适配的流水线：行为观察 → 模式提取（从日常数据里聚类出「典型日」「常用时段」「偏好区间」）→ 策略调整（提前量、阈值、触发条件）→ 行为输出。每一环都注入一个对「用户」的模型化假设；假设指导调整，调整改变输出，输出再进入下一轮观察。
两个适应者同时在线的结构性后果是反馈环：系统调整后的行为改变用户的后续行为，用户的后续行为又进入系统的下一轮学习。反馈环有三种动力学形态：
- 良性收敛：越用越顺手，双方在真偏好上会合——设计的理想；
- 震荡：你调它学、它变你改，谁也稳不下来——常见于双向都太敏感的系统；
- 锁死：用户放弃某功能后，系统把「不用」解释为「不需要」，进一步弱化该功能——功能被学习机制慢慢饿死，谁也没有决定关掉它。
还有个天然的不对称：用户看得到系统的每次输出（能反应），系统对用户的观察是全景静默的——双方对「我们进行到第几轮适配」的认知完全不同步。用户以为系统还是装机时的样子，系统已经重学了三轮。
怎么研究
- 智能/自适应界面研究：Höök 2000 年的论述代表了这批文献的共识——自适应界面带来性能收益的可能性与不可预测性、失控感等代价并存，收益是否兑现取决于适应的可见性与可控性设计。二十年来的实证基本维持这个结论结构。
- 方法：长期部署的适应曲线分析——把系统策略调整点与用户行为变化点放在同一条时间线上，识别收敛/震荡/锁死三种形态；锁定形态的判定：某功能使用率单调下降且伴随系统侧该功能权重下降。
边界
- 漂移对可预测性的伤害不在这一条展开（那是可预测性主题的事）；这里聚焦双向结构本身。但一句话交叉点：适应频率必须落在用户可消化的节奏内——以数据节奏（每天）调整、以事件节奏（每次惊讶）被感知，落差就是「它怎么又变了」。
- **不是所有维度都该学。**身份、权限、安全相关行为不应从观察中学习优化——系统不该「学会」帮某成员绕开门禁时段。学习边界是产品决策，不是模型能力问题。
- **小样本过拟合高发。**家庭数据量小、日历事件扰动多（假期、来客、加班），一次晚归被当成「新作息」的假阳性模式是家常便饭——模式提取需要最低证据量约束。
怎么落地
- 系统侧适配节流：以「用户可叙述的粒度」调整（周，而非天）；单次事件最多进入「观察」，不直接改变策略。
- 适配输出声明依据：「基于最近三周你通常 18:40 到家」——把假设摆出来，给用户当场纠正的机会，纠正本身又是干净的训练信号。
- 设置学习的禁区清单：安全、权限、涉及他人的行为不从观察中学习，写进产品原则。
- 验证办法：双列时间线审查——系统每次策略调整旁标注触发它的用户行为证据；无充分证据的调整计为过拟合样本，占比应为零。