人类的短时记忆对界面设计的影响

本文探讨了人类短时记忆的局限性及其对界面设计的影响。以银行卡号和软件序列号为例,阐述了如何通过合理分组信息来减轻用户的记忆负担。

人类的短时记忆对界面设计的影响

(2007-08-23 21:52:03)

以下的生活经验是我们经常遇到的:当你把自己的手机号码通过口头方式告诉朋友或同事时,你通常会把号码中的数字以三个、四个或五个一组的方式来念出来,没有人会毫无停顿地一口气把11个数字连续念出来,因为你知道听的人一下子很难记住这么多的数字。

以上现象所反映的就是人类的短时记忆局限性。1956年,美国心理学家米勒(George A. Miller)教授发表了一篇名为《神奇的数字7加减2:我们加工信息能力的某些限制》的论文,明确提出短时记忆的容量为7±2,即一般为7并在5~9之间波动。这就是神奇的7±2效应。

通俗地说,人在很短的时间内只能记住大约7个左右的信息。需要注意的是,这里所说的信息并不是绝对意义上的最小信息单元,而是对人们来说有意义的信息单元。例如,对于会英语的人来说, international 这个单词中尽管有13个字母,但是由于它在英语中是一个有意义的单词,因而他可以完全记住这13个字母;而对于不懂英语单词、只认识26个字母的人来说,想要在看一遍这13个字母后就记住它们几乎是不可能的。

那么,产品的界面设计应该如何设计,以克服这个人类自身固有的认知方面的局限性呢?文章开头的有关手机号码的例子给了我们一个很好的启发,即将较长的多个无意义的信息单元序列分割为一些小的部分,每个部分中包含小于7个或更少的信息,以便于人们记忆和使用。

下面举正反两个界面设计方面的例子:

1 有关网上银行登录界面的设计

大部分银行卡的卡号是16位数字或更长,因此印制在卡上时都是按照4个数字为一组进行了分割。这样的设计很好。如下面的招商银行的银行卡:

人类的短时记忆对界面设计的影响

不过前两天,我拿到了一张交通银行发行的太平洋北京住房公积金联名卡(这种卡能够实时查询住房公积金缴存状况),如下图所示。该卡的卡号有19位数字,不过在卡面上显示时只分成了两组,其中第二组长达13位数字。这显然是一种设计上的倒退。

人类的短时记忆对界面设计的影响

另一方面,现在各主要商业银行都推出了网上银行,然而在这些网上银行的登录界面设计中,要求用户输入银行卡号或银行帐号的输入栏却都存在一个问题:用户输入的帐号中的数字在显示时都连在了一起,而不是像银行卡上那样以四个数字为一组来显示,这就导致了由短时记忆的局限性而产生的问题。当用户输入完毕并把输入的帐号和卡上的帐号进行对比检查时,由于用户无法一次记住很长的数字串,他只能像卡上的分组那样,每次从屏幕上读取四个号码来和卡上的号码对比。然而,由于屏幕上显示的号码是连在一起的,用户因而很难准确地通过目测来找出下一个四位数字的位置,很可能需要借助于手指、笔或其他物体来在屏幕上帮助定位。对于视力不好的人或老年人来说,这个问题更严重。

下面两个屏幕截图显示的分别是工商银行和交通银行的网上银行登录界面:

人类的短时记忆对界面设计的影响

https://mybank.icbc.com.cn/icbc/perbank/index.jsp

人类的短时记忆对界面设计的影响

https://pbank.95559.com.cn/personbank/common_logon.jsp

第二个例子,软件的序列号输入界面

相比于网上银行的帐号输入界面,软件在安装时要求用户输入序列号的界面设计就做得很好。如下图所示,输入部分被分成了多个小的输入框,每个输入框中只能输入较少的一组字符(4个、5个或6个),而且一般软件在销售时所提供的序列号也是以一定的分组方式来显示的。这就使得人们可以很容易地把输入的字符和所提供的序列号进行对比和检查。

人类的短时记忆对界面设计的影响

最后,你可以做一下下面的小测验,看看自己的短时记忆能力如何?

读一遍下面的随机字母:

HJMROSFLBTWSKDFJSJFQUIQWEU

然后尽可能多地写出你所看到的字母,看看你能记住几个。

内容概要:本文介绍了一个基于多传感器融合的定位系统设计方案,采用GPS、里程计和电子罗盘作为定位传感器,利用扩展卡尔曼滤波(EKF)算法对多源传感器数据进行融合处理,最终输出目标的滤波后位置信息,并提供了完整的Matlab代码实现。该方法有效提升了定位精度与稳定性,尤其适用于存在单一传感器误差或信号丢失的复杂环境,如自动驾驶、移动采用GPS、里程计和电子罗盘作为定位传感器,EKF作为多传感器的融合算法,最终输出目标的滤波位置(Matlab代码实现)机器人导航等领域。文中详细阐述了各传感器的数据建模方式、状态转移与观测方程构建,以及EKF算法的具体实现步骤,具有较强的工程实践价值。; 适合人群:具备一定Matlab编程基础,熟悉传感器原理和滤波算法的高校研究生、科研人员及从事自动驾驶、机器人导航等相关领域的工程技术人员。; 使用场景及目标:①学习和掌握多传感器融合的基本理论与实现方法;②应用于移动机器人、无人车、无人机等系统的高精度定位与导航开发;③作为EKF算法在实际工程中应用的教学案例或项目参考; 阅读建议:建议读者结合Matlab代码逐行理解算法实现过程,重点关注状态预测与观测更新模块的设计逻辑,可尝试引入真实传感器数据或仿真噪声环境以验证算法鲁棒性,并进一步拓展至UKF、PF等更高级滤波算法的研究与对比。
内容概要:文章围绕智能汽车新一代传感器的发展趋势,重点阐述了BEV(鸟瞰图视角)端到端感知融合架构如何成为智能驾驶感知系统的新范式。传统后融合与前融合方案因信息丢失或算力需求过高难以满足高阶智驾需求,而基于Transformer的BEV融合方案通过统一坐标系下的多源传感器特征融合,在保证感知精度的同时兼顾算力可行性,显著提升复杂场景下的鲁棒性与系统可靠性。此外,文章指出BEV模型落地面临大算力依赖与高数据成本的挑战,提出“数据采集-模型训练-算法迭代-数据反哺”的高效数据闭环体系,通过自动化标注与长尾数据反馈实现算法持续进化,降低对人工标注的依赖,提升数据利用效率。典型企业案例进一步验证了该路径的技术可行性与经济价值。; 适合人群:从事汽车电子、智能驾驶感知算法研发的工程师,以及关注自动驾驶技术趋势的产品经理和技术管理者;具备一定自动驾驶基础知识,希望深入了解BEV架构与数据闭环机制的专业人士。; 使用场景及目标:①理解BEV+Transformer为何成为当前感知融合的主流技术路线;②掌握数据闭环在BEV模型迭代中的关键作用及其工程实现逻辑;③为智能驾驶系统架构设计、传感器选型与算法优化提供决策参考; 阅读建议:本文侧重技术趋势分析与系统级思考,建议结合实际项目背景阅读,重点关注BEV融合逻辑与数据闭环构建方法,并可延伸研究相关企业在舱泊一体等场景的应用实践。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值