如何测量用户界面的易学习性
⇨⇦
文章主要说明了如何对用户界面的易学性进行有效的测试和量化，以及需要注意的测试要点。
要衡量易学习性，请确定指标，收集数据，并在直线曲线上绘制平均值。通过查看学习曲线的斜率和平稳度来分析学习曲线。
一、什么是易学习性？
易学习性是可用性的五大属性之一（其他是效率性、可记忆性、错误率和满意度）。测试易学习性对于用户经常访问的复杂应用程序和系统特别有价值，即使对于客观简单的系统，知道用户能够以多快的速度适应您的界面也很有价值。
易学习性考虑了用户第一次使用界面时完成任务的难易程度，以及使用户高效完成该任务需要进行多少次重复。
在易学习性研究中，我们希望生成一条学习曲线，以揭示人类行为在量化方面的纵向变化。利用学习曲线中的数据，我们可以确定用户达到饱和所需的时间——当我们的图表数据达到一个平稳状态，这意味着用户已尽可能多地学会了这个界面。
例如，假设我们正在重新设计一个企业文件备份应用程序，该应用程序将由IT管理员定期运行。我们假定用户将足够频繁地使用该应用程序，以促进学习曲线增长。
对于此类应用程序，至关重要的是，用户能够尽快地完成其工作。在这种情况下，易学习性研究将确定管理员学会有效运行备份的速度。
我们招募了几位代表性用户，并邀请他们参与实验。然后，我们要求他们执行备份并测量他们第一次执行备份需要多长时间。接下来，我们要求他们回到实验室，并第二次执行任务——再次测量他们的任务完成时间，此过程重复多次。
我们的研究结果将是一条学习曲线，该曲线绘制出在一定数量的试验中的任务时间。
该学习曲线显示了备份的假定完成时间与任务重复（或试验）次数的关系。可以看到，第一次试验时间最长，之后的完成时间在缩短——到试验4，完成时间趋于平稳，达到饱和稳定。
尽管具体情况（例如需要达到多少重复次数）会因情况而异，但是该学习曲线可以代表所有人类学习。
二、易学习性与效率
易学习性分为3个不同方面，每个方面对不同类型的用户都很重要：
1. 初次使用的易学性
初次尝试使用这个设计有多容易？
对于那些只执行一次任务的用户，这方面的易学习性是他们感兴趣的。 这些用户不会产生学习曲线，因此他们不在乎它的外观。
2. 学习曲线的陡度
重复使用这个设计，人们能在多快的时间内变得更好？
对于那些会多次使用设计的用户，这一易学习性方面尤其重要，尽管他们并不会过多地使用它。 如果人们感到自己在进步，并且在使用您的系统方面越来越好，那么他们就会有动力坚持下去。 （相反，如果人们觉得，无论他们如何努力，情况都几乎没有好转，他们都会开始寻找更好的解决方案。）
3. 最终稳定状态的效率性
一旦完全了解如何使用该界面，用户可以达到多高的生产率？
对于经常和长期需要使用该系统的人来说，这一方面尤其重要——例如，当它是执行重要日常任务的主要工具时。
当然，理想情况下，您的系统应该在以上三个方面都表现良好。但是，在现实世界中，经常需要进行设计权衡，并且您应该调整学习曲线，以便主要迎合那些具有最高商业价值的用户。
这些维度的相对重要性还取决于用户生命周期的各个阶段。新用户希望能够快速学习系统并尽快达到最佳（平稳）性能点，但是专家用户希望平稳状态尽可能低（即，最佳任务时间尽可能短）。
有时，这些不同的易学习属性可能会将设计拉向不同的方向。例如，易学的系统并不总是有效率的。
回到我们的示例，假设备份是通过逐步的向导工作流程执行的，其中包含很多说明和解释。该系统可能是高度易学的：即便是首次执行任务，用户也可能能够尽快完成任务。
但是曲线几乎是平坦的：第二次他们将无法更快地执行它，因为他们将需要经过相同的屏幕并回答相同的问题，随着用户对界面的熟悉，这种设计将感觉像是在手工操作，并且会让重复使用效率低下。（因此，我们建议为专家用户执行加速器或快捷方式。）设计人员必须谨慎地兼顾易学性与效率。
该学习曲线展示了具有向导流的备份应用程序的假定完成时间，与任务重复次数的关系。请注意，尽管试验次数有所增加，但任务时间保持稳定在16分钟左右。该系统是可学习的，但效率不高。
为什么要衡量易学习性？
高易学习性有助于提高可用性。这样可以快速启动系统，从而降低培训成本。另外，良好的易学习性能带来很高的满意度，因为用户会对自己的能力充满信心。
如果您的系统和相应的任务很复杂，并且用户经常访问这些任务，那么您的产品可能是学习性研究的一个好案例。易学习性研究既耗时又耗费预算，因此请不要随意将它们介绍给利益相关者。
衡量用户不经常或一次完成的任务的易学性（例如，注册服务或缴纳年度税）是没有意义的，因为每次用户遇到任务时，他们的行为很可能像新用户一样。
在这种情况下，标准的可用性测试比易学习性研究更适合，且更具成本效益。
运行易学习性研究
在易学习性研究中，我们专注于收集指标，这就是为什么我们转向定量研究方法的原因。这类研究需要重点关注任务和受控实验，因此量化可用性测试最适合研究系统易学习性。
参与者在进行此类研究时，我们试图确定人们学习我们的界面的难易程度。因此，重要的是要聚集很少或没有经验的参与者使用他们将要测试的系统。
关于测试易学习性的一个需要考虑因素的是，用户是否具有类似系统的以往经验。以往的经验可能会帮助用户（例如，因为他们可能已经熟悉域名协议）或减慢他们的速度（例如，因为他们可能遭受变更厌恶）。
但是，这些数据仍然很有价值，尤其是在启动以从现有产品中窃取客户为目的的新产品时。应当适当地招募没有相似系统经验的参与者和具有相似系统经验的参与者，并计划比较两组中的相应数据。
对于任何定量研究，我们建议您招募相对多的参与者（通常至少30-40）。确切的数量将取决于您任务的复杂性，其中高度复杂的任务需要更多的参与者来解决固有的更高数据可变性，而更简单的任务则需要更少的参与者。
步骤1：确定指标
任务完成时间是易学习性研究中最常收集的指标。原因是学习的幂定律，即，完成任务所需的时间将随着任务重复次数的增多而减少。本文的其余部分将假定您正在收集工作时间作为主要指标。
根据您的系统，完成任务的时间可能不相关，因此您需要一个不同的指标。在这种情况下，请考虑收集用户在执行给定任务时出错的次数。
步骤2：确定试验次数
下一步是确定收集这些指标的频率——每个数据收集实例都称为试验。
请记住，我们正在尝试绘制随时间变化的指标，因此我们需要让相同的参与者多次完成相同的任务。我们建议您重复试验直到达到平稳状态。曲线变平表示我们的参与者已尽可能了解该系统（特定于此任务）。
在考虑试验时，您可能会问两个问题：我应该进行多少次试验？试验应相距多远？这两个问题的答案取决于您的实际情况。
要预测用户达到饱和学习点所需的试验次数，请考虑系统的复杂性。首先，请考虑进行5-10次试验，但是如果有疑问，请计划比您认为所需更多的试验，这有两个原因：
您要确保已达到稳定的性能;
一旦达到了稳定的性能点，取消可用性会话通常比安排更多时间更容易。
如果您想知道两次试用之间需要多少时间，请考虑您希望客户多久使用一次产品，并尽可能地匹配该间隔。对于用户每天或每周执行几次的任务，您可以连续几天进行试用。但是对于每月执行一次的任务，您可能需要在两次试用之间留出4周的时间。
步骤3：收集并绘制数据
请记住，每个试验都招募相同的参与者，并让他们在每个试验中完成相同的任务。（这与通常的情况不同，在正常情况下，您希望不同的测试用户研究设计的不同迭代。）您可能需要运行易学习性研究并测试多个任务。
在这种情况下，请确保随机分配任务，以免影响结果。在研究中，用户将他们从一项任务中学到的知识应用到将来的任务中；任务随机化有助于减轻这种影响。
对于每个任务，计算每个试验的度量平均值，并将其绘制在带有标记轴的线图中。通过绘制每个试验的数据，您将获得该任务的学习曲线。
步骤4：分析曲线
与任何定量研究一样，您需要分析数据的统计意义。换句话说，您必须要考查试验结果是否确实有意义——即，您在学习曲线中看到的下降是真实的还是仅仅是数据噪声的结果。
通常，所涉及的统计方法将非常简单——一种以试验为因子的单向重复测量方差分析。
完成分析后（大致地检测试验结果是有效的），请考虑一下整体情况：学习曲线的斜率是多少？难以学习的界面在曲线上的下降相对较小，需要进行多次尝试才能达到饱和点。相对的，高度可学习的系统具有陡峭的曲线，并迅速下降并在重复几次之后达到饱和点。
例如，在我们原始的文件备份示例中，用户进行了4次试用才能达到饱和状态并变得高效。这似乎可以接受。否则，如果他们花了30次尝试才能达到同一饱和点，则易学性可能太低。
此外，请考虑最终效率：用户学会了如何执行任务后，将花费10分钟的时间，这是否可以接受？答案可能取决于竞争对手产品的花费时间。
如果竞争分析不可行，您还可以将调查结果与成本和投资回报率进行比较。如果管理员每天花费10分钟，以最佳方式完成备份任务，并执行一年，则总计3650分钟或大约60小时。每小时花费100美元，这意味着该公司将花费6000美元来完成备份。
这个数值是否可以接受或可能需要降低（通过改进设计），将取决于每种产品的具体情况。
结论
产品的易学性告诉我们，用户使用该产品多久能达到最佳行为，衡量相对频繁使用的UI的易学习性很重要。
易学习性研究涉及对完成相同任务的相同参与者的重复测量。易学习性研究的结果是一条学习曲线，它将揭示需要重复多少次才能使用户有效地完成任务。
即使您没有进行完整的易学习性研究项目来绘制完整的学习曲线，思考这些概念也将帮助您做出权衡决策，以最重要的客户为定位来设计产品。
#参考文献#
Tom Tullis, Bill Albert (2013)Measuring the User Experience: Collecting, Analyzing, and Presenting Usability Metrics. Morgan Kaufmann.
Allen Newell, Paul Rosenbloom (1980).Mechanisms of skill acquisition and the law of practice.Technical Report. School of Computer Science, Carnegie Mellon University.
原文作者：Alita Joyce，Nielsen Norman Group用户体验专员