ailearning sciencedata visualizationcognitive modelinghuman-computer interaction

超越事後使用者研究：利用主動推理建模視覺決策過程

arXiv - Human-Computer InteractionHarrison J. Goldwyn, Graham Johnson, Christopher Ibarra, Lace Padilla, Kenny Gruchalla

本文提出利用主動推理框架建立模擬模型，預測人類在解讀圖表時的認知偏差與決策錯誤。

AI 幫你先抓重點

AI 重點 1

從「事後評估」轉向「事前預測」的設計範式轉移

滑鼠懸停看 AI 判斷理由
傳統設計往往在產品完成後才透過使用者研究發現問題，這屬於事後補救。透過主動推理建模，設計者可以在開發階段就預測人類可能產生的認知錯誤，實現更具預測性的設計評估。
AI 重點 2

將認知偏差參數化為可測試的模擬模型

滑鼠懸停看 AI 判斷理由
這項研究將抽象的心理學概念（如偏差與記憶衰減）轉化為可執行的計算參數，這讓研究者能透過模擬實驗來驗證假設，而不必每次都依賴昂貴且耗時的人類受試者實驗。

核心研究發現

  1. 1

    研究將圖表閱讀建模為動態視覺搜索過程，代理人透過平衡「減少不確定性」與「降低認知負荷」來更新信念並選擇行動。

  2. 2

    實驗證明「快速代理人（Type 1）」容易受到刻度顯著性偏差（tick-salience bias）的影響，導致判斷錯誤。

  3. 3

    「慢速代理人（Type 2）」雖然更具分析性，卻更容易受到工作記憶衰減（working-memory decay）的影響。

  4. 4

    該架構能產生可檢視的認知軌跡，包括信念不確定性的演變過程以及視覺注視序列。

對教育工作者的啟發

對於教育科技開發者而言，這提供了一種設計「認知友善」學習教材的新思路。在設計數據驅動的學習工具或圖表教材時，不應僅依賴使用者測試，而應考慮使用模擬模型來預測學生在面對複雜數據時，是否會因為視覺顯著性或記憶限制而產生誤解。這有助於在教材開發初期，就針對潛在的認知障礙進行預防性設計，提升學習成效。

原始文獻資訊

英文標題：
Beyond the Post Hoc User Study: Modeling Visual Decision-Making with Active Inference
作者：
Harrison J. Goldwyn, Graham Johnson, Christopher Ibarra, Lace Padilla, Kenny Gruchalla
來源：
arXiv - Human-Computer Interaction
AI 摘要模型：
/models/gemma-4-26B-A4B-it
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。