本文介绍了产品的易学性对那些日常被使用的界面设计是多么重要，以及如何进行产品的易学性的测试。

什么是产品易学性（学习难度）？

易学性是产品易用性的五大衡量维度之一（其余维度包括产品的使用效率、记忆难度、容错性和满意度）。对于需要用户频繁使用的相对复杂的产品或系统而言，测试界面的学习难度显得尤为重要。当然，对于相对简单的系统而言，了解用户能多快地适应界面也是有价值的。

产品的易学性描述了用户首次完成界面操作的难度，以及熟练掌握该操作所花费的重复次数。

通常进行易学性测试时，我们将绘制一张能够揭示用户行为量化后纵向变化的折线图。通过观测数据的纵向变化，我们可以知道用户在多久后到达了学习饱和，之后的平台期意味着此时此刻用户已尽可能地学会了如何使用当前界面的功能。

假设我们要重新设计一个供企业IT网管日常使用的文件备份系统，同时知道他会在日常工作中循序渐进地学会系统的操作流程。

对于这样一个系统，用户能够尽快完成工作是很非常重要的。

在这样的预设条件下，易学性衡量的就是IT网管要高效熟练地操作这套系统所需要的时间。

首先我们会邀请一些有代表性的潜在用户参与这项实验，然后记录他们首次操作备份任务所需要的时间。之后我们将再次邀请他们回来重复操作这个备份任务，并同样记录下时间。我们会反复进行数次同样测试，绘制出在一系列实验中完成任务的时间，形成一条学习曲线。

图一 该学习曲线展示了备份任务测试的序列和每次测试的耗时的关系假说。可见操作耗时在第一次测试时最长，由此递减至第四次测试时，耗时趋于稳定。尽管具体情况（例如需要重复多少次）会因情况而异，，但这样的学习曲线也能够较为直观的展示人类学习行为和接受过程。

易学性与效率

易学性可以分解为三个维度，每个维度都对用户非常重要。

1. 第一次使用时的易学性

用户在第一次使用时操作好多容易？第一印象对那些用完就走的用户特别重要，他们不在乎学习曲线，不在乎产品长什么样，如果第一次操作不够简单，那么这些用户大概率已经流失了。

2. 学习速率

用户能够多快地在重复使用中表现地更好？学习速率对于那些即使不会过度但需要重复使用该产品的用户特别重要，如果用户逐渐发现自己对这款产品使用的得心应手，会有一定的成就感有一直用下去。（反之，如果用户发现这款产品越用越难，不论他们付出了多大的成本，都会开始找更好的解决方案。）

3. 效率饱和点

当用户熟练使用这款产品时，他能提升工作效率的天花板在哪？效率饱和点对于那些要长期、高频使用这款产品的用户而言显得重要，例如需要每天使用的重要工具。

理想化的情况是你的产品在这三方面表现都不错。但是在现实场景下，产品设计的过程总会有需要取舍之处，设计师应该设计出符合最具商业价值用户学习曲线的产品。易学性三个维度的重要性也和用户的生命周期有着必然关系。新用户想要尽快学会操作这个产品并尽快达到最优表现，而专家用户希望这款产品的学习饱和状态尽可能滴（即最优的任务完成尽可能短）。

有时候易学性的这些不同属性可能导致产品设计走向不同的方向。

例如，一个简单易学的系统不一定是高效的。回到之前的例子，我们假设备份任务是采用步骤分离的wizard流程进行的，操作过程中的每一步会有说明和解释。这个系统比较容易学习和上手，用户第一次使用就能较快地完成所有操作。

但是这就造成了学习曲线变得极为平缓，用户再次进行操作时，依然要经过同样的界面回答同样的问题，无法大幅提升操作速度。

如果用户对界面及操作已经非常熟悉，这种设计便显得格外累赘，在重复使用时效率低下。（因此，考虑到专家用户的操作便捷，我们推荐加入“加速器”交互，例如快捷键、跳过进程等操作）设计师必须仔细权衡易学性和操作效率，找到合适的平衡点。

图二

该学习曲线展示了采用步骤分离的wizard流程设计的备份任务测试的序列和每次测试的关系假说。图表显示不论是第几次进行的操作，耗时都在16分钟左右，可见这是一个简单易学但不够高效的系统。

为什么要对易学性进行测量？

易学性与易用性息息相关。高易学性能够带来快速的系统引导流程和较低的训练成本。此外，高易学性的产品能够让用户感到自信，并因此提高用户满意度。

如果你的系统及相关操作比较复杂，用户使用频次较高，那么对该产品进行一次易学性测试是个不错的选择。易学性测试对时间和预算的要求较高，所以在和老板建议测试之前一定要做好充分的准备。对于那些使用频次不高，或者用完就走的产品而言，易学性测试的商业价值就比较有限，这些产品被重复使用时依然会被用户当作新产品来对待。因此对这些产品而言，一次标准的易用性测试会比易学性测试性价比高得多。

如何进行易学性测试？

易学性测试的核心是收集度量指标，所以我们要使用定量研究法。这种测试要求有焦点任务和受控实验，所以定量可用性测试是实施易学性测试的最佳方法。

实验对象

进行这项测试的目的是衡量学会某一界面操作对用户的难易程度。所以我们寻找的实验对象必须对该系统没有任何使用经验或极少的使用经验。

对于易学性测试，我们往往要考虑到实验对象对类似系统的使用经验。类似系统的使用经验可能让他们更快速的上手（例如他们早已熟悉类似的约定域），也可能让他们卡在某个步骤（比如和之前类似操作系统的交互完全不一样）。即便如此，测试结果数据依然很有价值，特别要发布的产品需要从现有市场的其他同类产品中获取用户时。在实施测试时，可以分别招募无经验和有类似产品使用经验的实验对象，再将两组实验对象的数据进行对比和分析。

对于任何定量研究，我们都建议你招募较多实验对象（通常最少30-40）。具体人数需要根据系统的复杂程度而定，产品越复杂，所需要的实验对象人数越多以解决内在的数据变化程度，反之则越少。

第一步：确定衡量维度

任务耗时是易学性测试最常见的衡量维度。学习幂定律(The power law of learning)指出，任务耗时与任务重复次数成正比。文章后续会默认任务耗时为衡量的主要维度。

考虑到产品的不同类型，任务耗时在某些系统的相关性可能不高，你可以选择一个不同的衡量维度，比如错误操作所出现的次数。

第二步：确定实验次数

接着要考虑多久搜集一次数据，也就是确定实验次数和频率。

记住，我们试图绘制随时间变化的曲线，所以我们需要邀请同一批实验对象来完成同样的实验任务。我们建议你不断重复这些实验，直到达到效率饱和点，也就是学习曲线达到平缓为止。

在设计实验时，你可能会问这样两个问题：要进行多少次实验？每次实验间隔多久？这两个问题的答案取决于实际情况。

要预测用户达到效率饱和点的次数，首先要考虑系统的复杂程度。你可以先计划做5-10次实验，根据两个原因适当地增加实验次数：（1）您要确保参与者已达到学习饱和点;（2）一旦到达了学习饱和点便取消可用性测试环节。

至于时间间隔的问题，可以参考用户实际使用频率，并尽量让实验间隔接近用户使用频率。对于用户日常或一周内多次使用的产品，可以将时间间隔设为一天；对于每月使用一次的产品，可以将使用间隔设为四周。

第三步：收集并绘制数据

记住一定要保证实验对象是同一批人，并且确保他们每次都能完整的完成操作。（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。）你可能在实施易学性测试时对不同的功能任务进行测试， 这种情况下你需要保证测试的随机性以避免影响实验结果的准确度。过去的研究表明，用户往往习惯将已完成的任务经验应用在未来的任务测试中，所以随机性可以减轻这种影响。

对于每个任务，记录在每次实验中所得出的指标均值，并将其绘制在折线图中，我们会得到最终的学习曲线。

第四步：分析曲线

与任何定量研究一样，你要分析数据的统计学意义。换句话说，确保实验结果是真实可靠的，分析并确认学习曲线的趋势不是数据噪音。通常我们会用统计学方法——单因素方差分析法来进行验证。

一旦你完成分析并确认了数据显著性之后，可以开始思考：学习曲线结果的斜率是怎样的？易学性较低的用户界面通常会有较为平缓的曲线，需要进行大量实验才最终达到效率饱和点。相对应易学性较高的用户界面的学习曲线斜率很陡，任务耗时在数次重复实验后便快速下降并达到饱和值。

回到文件备份任务的例子，假设用户在4次实验后即达到效率饱和点，那这个界面设计相对高效，能够满足商业场景。如果用户在30次实验后才达到效率饱和点，这个界面设计的易学性就太低了。

另外，要考虑最终的效率：用户将花费10分钟的时间学会操作，这是否达到我们的预期？答案可能取决于竞争对手产品的耗时，如果竞品的数据无法获取，可以从成本，投资回报率等角度去思考。如果IT管理员每天花10分钟以最优的方式完成备份任务，一年下来的总共耗时3650分钟，约60个小时。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。这个结果是否可以接受，产品设计是否需要改进，就要取决于每个产品自身的情况了。

结论

产品易学性告诉我们用户要多久才能熟悉一个产品。衡量产品的易学性对那些日常被使用的界面设计格外重要。一次易学性测试需要同一批实验对象进行反复实验，实验结果通过学习曲线反映用户熟悉一个产品所需要的重复实验次数。

即使你不真正实践易学性测试，在工作的过程中将这些概念纳入到产品设计的思考，也会有助于你权衡功能和交互的优先级，帮助你更好的服务用户。

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.

作者：Alita Joyce

原文链接：https://www.nngroup.com/articles/measure-learnability/

翻译：Jonan Zhang；审核：Wenhy；翻译小组公众号：交译所

本文由 @交译所 翻译发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议