交互式设计与人机交互

第四部分围绕模拟的人构建偏好贝叶斯优化：效用固定、噪声恒定、耐心无限；第 19.7 节已经指出，真实的人不具备其中任何一条。本章汇集 2017 年至 2026 年 9 月间人机交互、计算机图形学和交互式设计让真人进入回路所获得的认识：设计师调节照片，美术师简化 3D 网格，众包工作者移动滑块，驾驶员为仪表盘评分。

本章对“偏好”取宽泛的理解。除成对对决外，还包括滑块、画廊和排序，一个主要系统的作者也是在“更广的意义上”使用偏好贝叶斯优化一词（Koyama 等，2020）；此外还包括由评分或实测性能驱动的优化，因为关于能动感和群体先验的已有认识大多来自这类研究。每项研究都标注其反馈类型（feedback type）：偏好（preference），即选择、排序、比较；评分（rating），即量表上的分数；性能（performance），即对人实际表现的测量，例如任务用时。某一类型的结论不能自动推广到另一类型。$N$ 表示被试人数。

本章围绕三项发现展开，每一项都与本书的论点相关：偏好贝叶斯优化的难点已经转移到测量上，包括提问本身对人的影响（第 45.1 节）。第一，由优化器主导时，结果有所改善，但人的能动感下降；人能够引导搜索时，能动感大部分得以恢复。第二，真实会话中的反馈不稳定，标准噪声模型无法描述这种不稳定。第三，与强对照相比，通常的结果是以更低的成本得到相同的结果，而非更好的结果；在纯偏好研究中，这些结论所依据的样本大多只有 6 至 60 人。

32.1 研究线索 #

这一方向以两篇论文为起点：Brochu 等人（2007）用画廊式的主动偏好学习设计材质，González 等人（2017）于 2017 年给出基于对决的形式化定义。此后，人机交互系统改变的大多是查询形式，很少改变采集函数，即选择下一个问题的规则（第 12.1 节）；所用的采集函数通常是按查询形式改写的期望改进（第 12.3 节）或上置信界（第 12.4 节）（推断，依据下文的系统描述）。2024 年以后，重心转向借自其他用户的先验，以及语言模型和生成模型。以下各小节按研究组展开，表 32.1 汇总了相关用户研究。

32.1.1 Koyama 及其合作者：以查询界面为变量 #

Yuki Koyama 及其同事（东京大学、日本产业技术综合研究所、OMRON SINIC X）以查询界面为主要研究对象：2017 至 2025 年间，每篇论文增加一种反馈渠道，从单个滑块依次扩展到画廊、多个滑块、隐式的滑块日志、参考样例、约束和自然语言（推断，依据下文的设计）。

序列线搜索（sequential line search）把每次查询变为一项单滑块微任务，滑块沿设计空间中的一条直线移动（Koyama 等，2017）（第 20.2 节；第 25 章将其用于一张照片）。其众包流程每得到一个结果约需 5.25 美元和 68 分钟（15 次迭代，每次 7 个微任务，每个 0.05 美元）。与 Photoshop 和 Lightroom 的自动增强相比，三张照片的优化版本分别获得 32、26 和 29 张众包投票，每个替代版本只有 0 至 3 张（Koyama 与 Igarashi，2018）。同一书章认为，绝对评分通常效果不佳，因为评分者必须了解设计空间；成对比较则“即使对非专家也很容易回答”。

序列画廊（Sequential Gallery）以可缩放的网格（照片任务中为 5 × 5）取代滑块，由人从中选出最好的一项（Koyama 等，2020）（第 20.3 节）。在模拟中，它的平面搜索优于线搜索；在一项 $N = 6$ 的初步研究中，被试平均经过 5.36 次迭代即感到满意，并认为网格可以作为灵感来源，在 7 点量表上评为 6.50 分。作者列出的局限包括：只适用于视觉设计；既不能处理离散参数，也不能利用先验知识；在约 20 维以上表现不佳；并假设用户的感知函数“不随时间变化”。

同一时期的一些系统在生成模型的潜空间（latent space）中搜索。潜空间由紧凑的输入向量构成，训练好的网络把这些向量解码为图像、旋律或字体。Chiu 等人（2020）在潜空间中构建滑块子空间，未使用贝叶斯优化；Chong 等人（2021）让人用多个滑块混合候选图像，并通过涂画引导搜索；Zhou、Koyama、Goto 与 Igarashi 让人从若干段生成的旋律中选出最好的一段，先是一项试点研究（Zhou 等，2020），随后增加了一个滑块，用来设定上置信界的探索权重（Zhou 等，2021）。

BO as Assistant 取消了显式的查询循环：它从普通的滑块编辑中提取偏好对，并异步给出建议，使设计者能够“完全掌握主动权”；该系统没有正式的用户研究，作者也说明未评估可用性、有用性和能动感（Koyama 与 Goto，2022）。Photographer-in-the-loop 布光系统采用偏好贝叶斯优化，画廊由四张照片组成；在作者的演示中，约 10 次迭代即可找到令人满意的布光（Yamamoto 等，2022）。FontCraft 根据文本、图像和字体参考探索字体风格，并提供可撤回选择的历史记录（Tatsukawa 等，2025）。约束偏好贝叶斯优化（constrained PBO）只向横幅广告设计师询问成对偏好，同时以点击率（看到广告的人中点击广告的比例）模型作为约束；其采集函数 EUBOC 即在最优选项期望效用（EUBO，第 19.4 节）上加入约束（Iwai 等，2025）。此后，这条线索转向语言：设计者用自然语言介入系统主导的优化（Niwa 等，2025）；语言模型把模糊的偏好转化为组合优化问题（Kuroki 等，2026）；一篇 2026 年的预印本则构建了考虑可行性的车轮设计潜空间（Owaki 等，2026）。

32.1.2 剑桥、阿尔托与阳明交通大学：设计者参与的多目标优化 #

第二条线索以 Per Ola Kristensson、John Dudley、Antti Oulasvirta、Liwei Chan、George Mo 与 Yi-Chi Liao 为中心（剑桥大学、阿尔托大学、阳明交通大学），大多使用以性能为目标的多目标贝叶斯优化（multi-objective Bayesian optimization），而非偏好反馈。多目标优化（第 14.5 节）同时测量多个目标，例如速度和准确率，并返回 Pareto 前沿（Pareto front）：其中的设计无法在某一目标上改进而不在另一目标上变差。

Dudley 等人（2019）以任务用时为目标优化地图搜索界面，第一个实验有 200 名众包工作者参与。Chan 等人（2022）以一种虚拟现实触控技术（4 个参数）为对象，比较优化器主导与设计者主导两种设计方式；实验采用被试间（between-subjects）设计，即每名被试只经历一种条件，共 40 名新手参加。第 32.2 节主要以这项研究的结果为依据。Shen 等人（2022）让 12 名用户从各自的 Pareto 前沿中选定最终的手势键盘设计；Liao 等人（2023）让 8 名设计师分别借助优化器和按自己的策略工作；Mo 等人（2024）提出协作式（cooperative）优化，由设计者标记设计和区域来引导优化器；Liao 等人（2024b）用“全局高斯过程”（即第 8 章中的代理模型）汇总各次会话，并让新用户从“热启动高斯过程”开始。后来的论文用两级偏好贝叶斯优化为 360 度图像调色（Yuan 等，2025），把每个原型的成本纳入采集函数（Langerak 等，2026）；MUSE 则把专家意见、实证研究和模拟器区分为不同的反馈来源（Fernandes Junior 等，2026），该文已被 ACM Transactions on Interactive Intelligent Systems（TiiS）接收。Dudley、Oulasvirta、Chan 与 Kristensson 的一篇综述于 2026 年 8 月在 ACM Computing Surveys 在线发表，我们未能获得全文（Dudley 等，2026）。

32.1.3 苏黎世联邦理工学院与萨尔大学：基于他人数据的先验 #

2024 年以来，第三条线索以 Yi-Chi Liao、Zhipeng Li、Christoph Gebhardt、Christian Holz 与 Anna Maria Feit 为中心（苏黎世联邦理工学院、萨尔大学），研究群体先验（population priors），即利用先前用户的数据，使新用户需要回答的问题尽可能少。Liao 等人（2024a）由阿尔托大学与 Meta 合作完成，用 14 名被试的数据建立群体模型，再将其作为迁移采集函数的先验，用于 11 名新被试；持续人在回路优化则用贝叶斯神经网络（对自身权重保持一个分布的神经网络）表示整个群体（Liao 等，2025）。两者都使用性能反馈。Meta-PO 借助序列画廊界面，在先前用户的高斯过程模型之上进行元学习（Li 等，2025a）；Song 等人（2025）从用户对混合现实布局的手动编辑中推断目标权重。随后有三篇 CHI 2026 论文：HOMI 在真实用户参与之前，先在模拟用户上训练神经采集函数（Liao 等，2026）；APPO 对用户隐藏图像生成器的文本提示词，只询问二元偏好，由语言模型改写提示词（Li 等，2026f）；AutoOptimization 把口头表达的偏好转化为布局优化器的目标（Li 等，2026a）。

32.1.4 乌尔姆：依据驾驶员与乘客的评分优化汽车界面 #

乌尔姆大学 Pascal Jansen、Mark Colley 与 Enrico Rukzio 的研究组依据问卷评分（信任、感知安全、脑力需求、可预测性）优化汽车界面，样本量在这一领域中属于最大之列。研究对象包括：OptiCarVis 中自动驾驶车辆的可视化（$N = 117$，在线，被试间）（Jansen 等，2025）；车辆外部显示屏（$N = 37$）（Colley 等，2025）；有无动感座椅条件下的空中出租车模拟（$N = 40$）（Meinhardt 等，2025）；ProVoice 中的主动式车载助手（$N = 19$，被试内，即每名被试都经历所有条件）（Susak 等，2026）；BlurDriving 中虚拟现实驾驶的模糊效果（IMWUT，2026 年 9 月）（Li 等，2026b）；以及一项已被 AutomotiveUI 2026 接收的三天研究（$N = 74$），比较持续优化与沿用第一天的设计（Colley 等，2026）。

32.1.5 慕尼黑大学：专业水平与现场部署 #

Ou、Buschek、Mayer 与 Butz 和一家工业合作伙伴共同构建了一个简化 3D 网格（9 个参数）的偏好贝叶斯优化系统，系统把美术师的评分转换为成对关系。该系统先由两名全职技术美术师使用了 3 个月，随后又进行了一项 $N = 20$ 的实验室研究（Ou 等，2022）。Ou 等人（2023）在三项任务上比较了 60 名专业水平不同的用户。所用界面要求对 4 个候选排序，设有“不知道”区域，用户按下满意按钮即结束。第 32.3 节和第 32.6 节的材料大多来自这两项研究。

32.1.6 引导生成模型 #

另有四个系统把偏好查询嵌入生成模型，通常是扩散模型，即当前大多数文生图系统所用的生成器。BOgen 结合偏好贝叶斯优化与变分自编码器（把较短的潜向量解码为输出的网络），逐个部件地构建 3D 形状，并由 30 名设计师将其与基线作了比较（Lee 等，2026）。ROMBO 用于音乐生成的个性化，在模拟中评估，另由 16 名志愿者为每段音乐打 0 至 10 分（Marcos 等，2025）。GimmBO 在 20 至 30 个适配器的合并权重上运行偏好贝叶斯优化；适配器是小型附加网络，各自把扩散模型推向某种风格（Liu 等，2026b）。MultiBO（ICML 2026）让用户从 4 张生成图像中选出最接近心中设想的一张，并在模型的注意力空间中引导编辑，最多 50 轮（Rajagopalan 等，2026）。其图像相似度为 0.9364，DiffusionDPO 为 0.8365；在 30 名用户评判的比较中，它胜出 70.82%。作者还观察到，图像越接近目标，偏好信号越弱。

32.1.7 其他领域：触觉、文本输入、阅读、建筑与工程 #

Catkin 与 Patoglu（2023）依据成对比较优化渲染出的弹簧与摩擦的感知真实感，并以专家调校的模型作为验证对照；在 Zhang 等人（2026b）中，13 名被试进行了 40 轮比较，每次附带 5 级把握度评分，留出准确率为 92.3%（范围 85% 至 100%）。AdaptiFont 以阅读速度为目标优化生成式字体空间（性能反馈，主研究中 $N = 11$）（Kadner 等，2021）；Tanaka 等人（2026）让 40 名设计专业学生设计一座有 6 个参数的展亭，方式为由 0 至 100 的评分驱动优化，或使用滑块；Nandy 与 Goucher-Lambert（2025）让参数化马克杯适应“舒适”这一属性（从零开始时 $N = 31$，利用前一组数据时 $N = 25$），与非交互模型相比，提高了意图与设计之间的感知匹配度。研讨会论文 McCourt 与 Dewancker（2019）在为艺术作品上色时，不得不扩展偏好贝叶斯优化以处理平局；预印本 Peng 等人（2026）依据成对判断实现生成式用户界面的个性化。文本输入方面，我们找到的唯一研究是 Shen 等人的手势键盘。可视化设计方面，我们找到的贝叶斯优化应用调节的都是特定的显示（OptiCarVis，以及 MUSE 中的一个案例），其中没有一项是偏好贝叶斯优化研究。

32.1.8 研究一览 #

表 32.1 按年份列出主要的用户研究，表中提到的问卷在第 32.2 节中说明。超体积（hypervolume）衡量 Pareto 前沿覆盖目标空间的大小，越大越好。

32.2 能动感与性能 #

这一时期最一致的结果涉及由谁主导搜索。优化器主导时，结果指标更好，脑力需求更低，但人的能动感（agency，即掌控过程的感觉）、归属感（ownership，即认为结果属于自己）和表达力（expressiveness，即能够把自己的想法融入结果）明显下降。设计者一旦有了引导搜索的手段，能动感便大部分恢复，代价是结果质量略有下降。这方面的证据几乎全部来自以性能为目标的多目标优化。

有两份问卷反复出现。创造力支持指数（Creativity Support Index）依据探索、表达力、乐趣等因素，在 0 至 100 的量表上评价对创造性工作的支持程度；NASA 任务负荷指数（NASA Task Load Index，NASA-TLX）用六个分量表测量工作负荷，其中包括脑力需求和努力程度。$p$ 是各条件实际并无差别时出现至少如此大差异的概率；$t(38)$ 是自由度为 38 的 $t$ 统计量，其符号表示哪一组得分较低。

唯一一项规模足以分离出这一效应的研究。Chan 等人（2022）的被试间实验有 40 名新手设计者参加，以性能为目标。优化器主导组报告的能动感（$t(38) = -5.523$，$p < 0.001$）和归属感（$t(38) = -3.892$，$p < 0.001$）较低，满意度和信心则没有差异。创造力支持指数在设计者主导时为 75.3，在优化器主导时为 65.4（$p = .011$），差异主要来自表达力（44.9 对 23.0，$p = .001$）。NASA-TLX 总分没有差异（57.6 对 49.6，$p = .758$），但优化器主导组报告的脑力需求（14.9 对 8.4，$p = .011$）和努力程度（24.9 对 13.7，$p = .040$）较低。优化器主导的会话更长（78.0 分钟对 51.8 分钟）；其设计的空间误差更小（$t(38) = 2.237$，$p < 0.05$）；该组探索的设计空间比例也更大。用摘要中的话说，由优化器引导的设计者“报告的脑力付出更低，但也觉得自己创造性更弱，对进展的掌控更少”；作者的结论是，这种优化可以支持新手设计者，适用于“能动感并不关键”的场合。

同一研究中的三种掌控程度。Mo 等人（2024）采用被试内设计（$N = 18$），比较设计者主导、协作和优化器主导三种设计方式。对“我觉得自己能够掌控对设计空间不同区域的搜索”这一陈述，三种方式在 7 点量表上的评分中位数分别为 6.0、5.5 和 1.5。12 名被试偏好协作条件，4 名偏好设计者主导，2 名偏好优化器主导；再次使用该方法的意愿，中位数依次为 6.0、5.0 和 3.0。协作条件的相对超体积与优化器主导条件无显著差异；它所需的正式评估较少，找到的 Pareto 最优设计也较少。

规模较小的研究指向同一方向。Liao 等人（2023）有 8 名设计师参加，优化器找到的设计与设计师自己的设计“性能非常相似”，工作负荷则显著更低；但当设计者角色中的典型工作由优化器接管时，“设计者可能会与设计过程脱节”。在 Zhou 等人（2021）的旋律研究中（偏好反馈，12 名新手作曲者），让用户自行设定探索与利用之间的平衡，提高了创造力支持指数总分（$p < 0.01$）和满意度（$p = 0.041$），12 人中有 11 人偏好手动平衡。在 Niwa 等人（2025）的研究 1 中（$N = 18$），优化器主导条件的相对超体积高于设计者主导设计（$p < 0.001$），也高于自然语言协作（$p = 0.001$），但能动感显著低于这两者（校正后 $p = 0.002$）；研究 2 中（$N = 12$），语言与显式约束表现相同（$p = 0.204$），语言带来的任务负荷较低（$p = 0.034$），约束带来的能动感较多（$p = 0.032$）。部分被试不确定“自己的指令实际上在多大程度上被执行了”。

较弱的证据。FontCraft 的被试（偏好反馈，$N = 10$）使用多模态参考时报告的能动感高于基线，10 人中有 7 人提到了历史视图（Tatsukawa 等，2025）。Colley 等人（2025）在 7 点量表上测得，“我觉得自己掌控着设计过程”的平均分为 5.81，“最终的设计是我的”为 5.30。Tanaka 等人（2026）发现，“过程披露”（参数图、评价的范围、优化的方向）对能动感和信任至关重要，即使被试的理解仍停留在表面；Song 等人（2025）则指出，不受约束的优化器可能移动用户亲手放置的元素。

图 32.1 可以让读者亲身体会这一权衡：以相同的预算运行三次，分别由自己选择每个设计、由优化器选择、由优化器建议而自己决定；每次运行后，为自己对搜索方向的掌控程度打分。

可以尝试以下几点：

• 先做“你”这一轮，不要显示地形。你多半会先找到那座宽阔的山丘；留意剩下的尝试是否都用在了对它的细调上。
• 切换到“优化器”，按“运行到底”。先比较它与你的最佳得分，再比较你给出的两个掌控程度评分。哪个差距更大？
• 按“新地形”，重复一遍。在第一个地形上，优化器的探索能找到那座更窄、更高的山峰；在其后的大多数地形上，它在 10 次尝试内无法到达该山峰，你自己搜索也能取得同样的结果。

图中的地图让整个设计空间一目了然。研究中的设计空间更大（Chan 等人为 4 个参数，展亭研究为 6 个，Ou 等人的网格简化为 9 个）。移动 9 个滑块的人已无法看出哪些区域尚未尝试，而这正是优化器的系统性探索应当更能发挥作用之处（推断）；图 19.4 从另一个角度说明，随着参数增多，四十次比较所能完成的工作减少了多少。

对偏好优化的启示。能动感按设计者主导、协作、用户引导、优化器主导的顺序递减；能动感上的差异（掌控感中位数 6.0 对 1.5）远大于协作设计与优化器主导设计在结果上的差异。对设计任务而言，这意味着增加供人引导搜索的渠道，比提高优化器的自主程度更可取（推断）。普通的偏好贝叶斯优化中，人只回答优化器的问题，按其构造即属于优化器主导条件（推断）。这一效应是在性能目标下分离出来的；在偏好反馈系统中，只有 Zhou 等人和 FontCraft 测量了与能动感接近的指标，被试分别为 12 人和 10 人（推断）。因此，开发偏好工具的团队应当在自己的研究中测量能动感，例如采用 Mo 等人那样的题项，而不应假定这一效应可以直接迁移（推断）。

32.3 不稳定的反馈与不收敛 #

偏好贝叶斯优化模型假设：每个回答都是对同一个固定效用的带噪声读数，噪声独立同分布（第 19 章）。对真实使用历时最长的一次观察表明，实践可能与这一假设相去甚远。在 Ou 等人（2022）与两名专业 3D 美术师进行的部署中，549 个评价序列中有 415 个停在第一次迭代，根本没有请求优化。其余 134 个序列平均运行 4.1 次迭代（标准差 4.2，范围 1 至 23），其中只有 16 个（11.9%）得到满意的结果。实验室研究中，200 个序列有 97 个（48.5%）以满意告终。图 32.2 画出了全部序列。

可以尝试以下几点：

• 把“计数基准”设为“全部序列”，比较两个百分比：现场为 2.9%，实验室为 48.5%。
• 切换到“请求了优化的序列”。415 个灰色方块不再计入，现场的数字升至 11.9%。两个数字都正确；习题 32.1 将讨论哪一个能描述该工具在实践中的表现。

作者写道，被试即使不是随机评分，“在评分过程中至少表现得非常不稳定、不一致”。问及具体的不一致评分时，专家们提到对先前见过的网格的锚定、可得性启发式与代表性启发式、损失厌恶以及收益递减，即第 37.2 节中的各种判断偏差。作者的结论是，稳定而完备的偏好与独立同分布噪声这两个假设都不成立：“人的判断是一个难以优化的脆弱函数”（human judgment is a fragile function to optimize for）。若把这一结果视为偏好在会话中建构的直接证据，则属于诠释：论文记录的是不稳定与不收敛，建构只是其中一种解释（推断）。

其他研究中零散但一致的迹象。序列画廊的一位被试“依据我一开始并没有的标准”挑选设计（Koyama 等，2020）；AdaptiFont 寻找的是使用当时的最佳字体，而非稳定的最优点，因为使阅读速度最快的字体可能取决于文本、疲劳程度和显示屏（Kadner 等，2021）；Dudley 等人（2019）则不得不处理用户差异、任务差异和学习效应带来的噪声。

真人与模拟的人。在一项有 17 名视力正常被试参加的视网膜植入物个性化研究中，只有约 50% 的选择与模拟智能体一致（Schoinas 等，2025）（第 33.5 节）。在 Peng 等人（2026）的预印本中，20 名界面设计经验各异的被试评判同样的 600 对生成界面，彼此的一致性只有 0.25。这里所用的是校正机遇后的一致性统计量，0 表示机遇水平，1 表示完全一致（Krippendorff $\alpha$；Cohen $\kappa$ 保留两位小数时与之相同）。振动触觉研究指出，相近候选之间的比较“被回答噪声所主导”，其模型假设平稳性，没有考虑适应、疲劳或漂移（Zhang 等，2026b）。Meta-PO、Song 等人与 LAPPI 都把偏好静态这一假设列为局限，但没有测量偏好的变化（Li 等，2025a；Song 等，2025；Kuroki 等，2026）。

第 27.2 节和第 29.10 节讨论能够容纳这些效应的模型，第 47.4 节讨论能够区分噪声与漂移的实验。

32.4 反馈形式 #

系统应当问什么？第 20 章把各种查询形式作为方法讨论，本节汇集在真人身上得到的经验。2026 年以前，每项研究只改变查询的一个方面。Koyama 与 Igarashi（2018）认为，连续空间上的查询所携带的信息远多于一次比较，但众包工作者难以作答，因此单个滑块是他们的折中方案。Chong 等人（2021）测得，使用一个滑块时每次迭代需 17.2 秒，使用四个需 53.4 秒；按迭代计，四个滑块收敛更快，也更受青睐，但 $N = 3$。在虚拟现实调色中，用户更愿意比较两个选项，而不是四个（Yuan 等，2025）。“不知道”区域使人能够表达不完备的偏好（Ou 等，2023）；在现场研究中，以对 4 个模型评分代替选出 1 个，并没有消除不一致（Ou 等，2022）（第 20.4 节讨论平局与弃答）。Mikkola 等人（2020）还认为，类似滑块的投影式查询能大大减轻用户的工作负荷。

2026 年：首批同一任务上的比较。GimmBO（$N = 12$，被试内，20 次迭代）发现，排序在与目标的相似度、成功率以及找回正确的稀疏适配器集合上都优于滑块；使用滑块时会开启多余的适配器，序列画廊的用户会陷入局部极小值，但排序每一步用时更长（50.5 秒对 34.7 秒）（Liu 等，2026b）。APPO 只使用二元偏好，收敛更快、负荷更低，但表达力不如允许文本反馈或手动编辑的基线（Li 等，2026f）。MultiBO 认为，每轮从 4 个候选中选一个，比成对比较更好地平衡了信息量与负荷，但这一结论来自设计分析，而非对照实验（Rajagopalan 等，2026）。在一项有 12 名新用户参加的在线研究中，预印本 Peng 等人（2026）发现，基于 8 次成对判断的个性化优于所有基线，包括共享的设计准则和用户自己写下的偏好，总胜率为 60.35%，而以用户画像为条件的评判者为 50.9%。Mo 等人（2024）则批评画廊：所有选项仍由优化器提供，用户除了表示喜欢或不喜欢之外无从表达。

这些结果指向同一方向：降低每次查询的负担，或增加每次查询携带的信息。目前还没有研究在同一任务上用真实用户比较成对比较、画廊、滑块、排序和评分，因此关于查询形式的建议主要依据模拟、极小的样本和作者的论证（推断）。在这样的研究出现之前，代价最低的防范措施是在真实任务上对两种候选形式做简短的试点，记录每个回答的用时，并重复若干次查询（推断）。第 20.6 节讨论界面为何是模型的一部分。

32.5 个体差异与群体先验 #

众包框架假设人群共享同一种偏好，但不同背景的人群“可能有明显不同的偏好”（Koyama 与 Igarashi，2018）。群体先验借用他人的数据帮助每一位新用户。这类先验在实验中有效，但收益集中在最初几次迭代。

支持群体先验的证据。Liao 等人（2024b）的全局高斯过程（性能反馈）得到的设计使完成时间缩短 5.5%，空间误差降低 48%；热启动高斯过程使有经验用户的超体积提高 38%，新手用户提高 18%，不过面向速度的全局设计在空间误差上并不优于基线。腕部交互的元贝叶斯优化在绝对指点上比标准贝叶斯优化改善 22.92%，比手动校准改善 21.35%；在相对指点上分别改善 25.43% 和 13.60%（Liao 等，2024a）。Meta-PO（偏好反馈）把达到满意所需的迭代次数从不迁移时的 9.54（标准差 2.19），降至同一主题用户之间迁移时的 5.86（标准差 1.20，$t(11) = 5.11$，$p < 0.001$），以及跨主题迁移时的 7.41（标准差 1.28，$p < 0.01$）；跨主题比同一主题内需要更多迭代（$p < 0.01$），可见目标差别越大，迁移的帮助越小（Li 等，2025a）。HOMI 只在第 2 和第 3 次迭代显著更好（$p = .040$ 和 $p = .002$）；从第 6 次迭代起，所有方法收敛到同一水平，NASA-TLX 也没有差异（Liao 等，2026）。

支持个体差异的证据。凡是测量了个体差异的研究，都发现差异很大，涉及助听器的增益调整（$N = 20$）（Søgaard Jensen 等，2019）、偏好的压缩比（Baltzell 等，2018）（第 33.4 节）、使阅读速度最快的字体（Kadner 等，2021）、打字速度与准确率之间的权衡（Shen 等，2022）、对空中出租车界面的设计偏好（Meinhardt 等，2025），以及驾驶中偏好的模糊程度（Li 等，2026b）。即使是专家的偏好，也可能与实测结果不一致：一项预研究发现，专业广告设计师的偏好与实际点击率没有正相关，约束偏好贝叶斯优化正是因此把点击率交给机器处理（Iwai 等，2025）。

群体先验把分析单位从个人转移到群体，这与上述个体差异难以相容。现有研究表明群体先验能加快早期收敛，但没有一项研究表明，个人偏离群体时群体先验不会造成损害（推断）。因此，采用这类先验的系统应当让个人自己的回答迅速压过先验，并单独报告与群体差距最大者的结果（推断）。相关模型见第 20.5 节和第 27.3 节。

32.6 新手与专家 #

为谁优化与如何优化同样重要。Ou 等人（2023）的研究（$N = 60$）发现，“新手可以达到专家级的质量表现，但专业水平较高的被试会带来更多的优化迭代和更明确的偏好，同时满意度一直较低。相比之下，新手更容易满足，结束得也更快。”作者的解释是，“专家追求更多样的结果，而机器达到的是最优结果”。现场研究同样如此：实验室被试比专家美术师更容易满足，后者采用了实验室被试所忽略的质量标准（Ou 等，2022）。

专家一再要求直接控制：在画廊之外操纵参数（Koyama 等，2020），或编辑字形、关闭风格传播、查看更完整的历史（Tatsukawa 等，2025）。当优化器接管他们自己无法判断的部分时，他们态度积极：约束偏好贝叶斯优化研究中的 11 名广告设计师平均有 5.82 年经验，他们赞成由系统管理点击率（Iwai 等，2025）。材料科学实验也发现专家与非专家的行为不同（第 34.2 节）。

然而，大多数样本是新手或学生：Chan 等人的 40 名新手、Mo 等人的 18 名 20 至 36 岁的被试、FontCraft 的 10 名非专家、GimmBO 中全部具有计算机或机器学习背景的被试和 APPO 中 24 至 28 岁的被试（Chan 等，2022；Mo 等，2024；Liu 等，2026b；Li 等，2026f）。关于专业设计师使用偏好贝叶斯优化工具的情况，已有认识主要来自两名技术美术师和两次访谈（推断）。

32.7 解释与信任 #

实验表明，解释能提高任务表现。在一项 $N = 213$ 的被试间实验中，被试调节模拟煮蛋任务的 6 个参数；任何一种解释（条形图、规则或文本）都提高了任务成功率，减少了所需的尝试次数，增进了理解和信心，且没有增加工作负荷（Chakraborty 等，2025b）。MOLONE 的作者报告，针对输入和结果的比较式解释使收敛显著加快，但我们未能获得该用户研究的规模（Chakraborty 等，2025a）。预印本 ShapleyBO 用 Shapley 值解释每个提议，即把提议的期望值分摊到各输入参数上；在一项外骨骼服个性化研究中，看到解释的团队累积遗憾较低。累积遗憾指整个会话中与最佳设计之间差距的总和（第 13 章）（Rodemann 等，2024）。CoExBO 为每个候选给出解释以促进信任，并带有无害保证：即使用户给出对抗性输入，它也能像普通贝叶斯优化一样收敛（Adachi 等，2024）。Niwa 等人（2025）的被试认为，解释使出乎意料的建议更容易接受，但也有人觉得解释过于笼统或过长。

对优化器的理解也可能改变反馈。Colella 等人（2020）发现，理解优化器的用户会给出带有策略性偏差的回答（21 人，一维任务，标量反馈），不同于大多数论文中如实作答的模拟用户。Sandholtz 等人（2023）（Bayesian Analysis，2023）发现，许多被试的探索方式超出了标准采集函数所能刻画的范围；Weichert 等人（2025）的一篇预印本记录了一个工业案例，加入数据和专家知识反而使贝叶斯优化效果变差。

乌尔姆各项研究中的“信任”指对车辆的信任，它本身是被优化的目标之一，而不是对优化器的信任（Jansen 等，2025）；在偏好贝叶斯优化的人机交互研究中，对优化器本身的信任几乎从未得到直接测量（推断）。研究若要就此下结论，应当在题项中明确提及优化器。让搜索可见且可编辑（显式约束、过程披露、可撤回的历史），似乎比单靠文本解释更能维持能动感（推断）。

32.8 与强基线的比较 #

一种方法只要胜过较弱的对手，就可能显得很好。表 32.2 按对照条件的强弱为主要比较排序。强弱分级是本章的判断（推断）：随机查询、单个滑块和无可视化算作弱；设计者自己的设计、手动调参和文献中的设定算作中；相似的优化器、忽略成本的贝叶斯优化和专家设计算作强。

图 32.3 以样本量和对照强度为两条轴排布这些研究，并按反馈类型着色。

规律很清楚（推断）。较强的正面结果来自性能目标：任务用时、打字速度、指点误差。纯偏好反馈的研究更常报告满意度或迭代次数，或报告胜过单个滑块之类的弱对照（ROMBO 胜过随机查询的结果是用评分得到的）。与熟练的手工作业或相似的优化器相比，最终质量通常没有差异。2017 至 2026 年间，交互式贝叶斯优化在设计领域的成效，最好概括为以更低的成本（更少的迭代、评估或投入的时间）得到相同的结果，而非得到更好的结果（推断）。第 46.7 节据此给出评估新系统的建议。

32.9 来自设计研究的批评与替代方案 #

2017 至 2025 年间，批评主要来自优化论文的作者和相邻的人机交互研究，可分为两类。第一类涉及能动感，证据见第 32.2 节：Chan 等人提议“把优化器推到幕后，让它的建议成为推荐而不是命令”（Chan 等，2022）；Mo 等人（2024）补充说，优化器通常无法“利用设计者的专业知识，迅速认定某个‘差’设计不值得”评估。

第二类涉及效用模型本身。Ou 等人（2022）的结论是，“我们需要从总体上重新思考人在回路系统设计中的基本假设与方法”。Koyama 与 Igarashi（2018）提出“谁的偏好？”（Whose preference?）这一问题：众包框架假设“人群共享一种‘一般的’（或普遍的）偏好”，而在某些领域，“只有专家才能充分评估设计的质量”。Koyama 与 Goto（2022）对贝叶斯优化生成的建议是否具有创造性未作定论；Dudley 等人（2019）无法判断其优化器是真正在优化，还是只排除了表现差的区域。2026 年，Langerak 等人（2026）指出，在设计空间仍在演变时，预先定义的参数空间会限制早期探索；Owaki 等人（2026）则认为，展示给用户的表示方式是交互设计的一部分，在其研究中（$N = 40$），考虑可行性的 5 维潜空间优于原始的 9 维参数。

固着。设计固着（design fixation）指倾向于停留在见过的样例或自己最初的想法附近。在构思阶段使用人工智能图像生成器，会导致更多的固着、更少的想法，以及更低的多样性和原创性（$N = 60$）（Wadinambiarachchi 等，2024）；学生对自己最初想法的固着，可能强于对给定样例的固着（Leahy 等，2020）。偏好贝叶斯优化的画廊不断呈现系统提供的样例，当前最优设计则相当于最初的想法，因此用偏好贝叶斯优化辅助构思时，可以预期出现同样的固着（推断）。Gmeiner 等人（2023）观察到，14 名受过训练的设计师难以理解和引导生成式设计工具。

在交互中形成的偏好。2025 和 2026 年关于与生成式人工智能共创的研究认为：偏好在交互中形成；过早收敛和固着是主要的失败形式；一定的摩擦可能有益。可切换发散与收敛模式的系统 HAICo（一篇预印本）在创造力支持指数的每个因素上得分都高于 ChatGPT（$N = 24$，$p < 0.002$）（Wen 等，2026）；IdeaBlocks 使设计师探索的图像数量增至 2.13 倍，视觉多样性高出 12.5%（Choi 等，2026）；一篇研讨会论文主张保留促进反思的摩擦（Avelino 等，2026）；一篇预印本发现，引出过程会使用户尚未形成的偏好显现出来（Kim 等，2026）；Saracay 等人（2026）（COLM 2026）认为智能体应当帮助用户建构偏好，并给出了一个模拟用户基准，其用户模型得到一项 25 人研究的支持。如果偏好部分是在回答过程中建立的，一次比较测量的究竟是什么？第 45 章将回到这一问题。

替代方案趋向混合主导（mixed initiative），即任何一方都可以主导：第 32.2 节中的各个系统、可撤回的历史（Tatsukawa 等，2025）、交由机器处理的约束（Iwai 等，2025），以及让设计者担任约束的策展人而非原型的制作者（Jansen，2025）（一篇研讨会论文）。在构思方面，Koch 等人（2019）使用协作情境赌博机（一种根据反馈自适应的序贯推荐器）为情绪板推荐有启发性的素材，而不是收敛到某个最优点；16 名专业设计师中有 14 人更喜欢这一工具。

反面证据：优化可以支持探索。优化器主导的设计者探索了更多的设计空间（Chan 等，2022）；协作条件下的设计者在两次评估之间移动得比设计者主导时更远（Mo 等，2024）；Niwa 等人的被试把打破其固着的建议描述为“哦，原来如此！”的时刻（Niwa 等，2025）；85% 的建筑专业学生认可优化器带来的多样性（$p < 0.001$）（Tanaka 等，2026）。

两类批评的现状。针对能动感的批评已有经过检验的补救办法（协作控制、显式约束、探索滑块），在实验中恢复了大部分能动感。针对效用模型的批评，在偏好贝叶斯优化内部只有已提出、尚未检验的补救办法，例如丢弃历史、让旧数据衰减、撤回选择；也还没有研究在同一创造性任务上，把偏好贝叶斯优化工具与以发散为目标的构思工具相比较（推断）。批评者与优化论文的作者在诊断上大体一致（固着、目标不明确、偏好在交互中形成），分歧在于补救办法。

根据这些证据，可以为设计工具归纳出一条工作准则（推断）：让优化器充当顾问；把可测量的子目标，如点击率、可行性或任务用时，交给机器；外观上的判断留给比较或排序；使搜索状态可见且可编辑；评估时与手动调参或熟练设计师比较，而不只与单个滑块或随机查询比较。这条准则来自本章的实证结果，不依赖于高斯过程框架。

32.10 常见说法核查 #

表 32.3 对照原始文献，核查二手叙述中流传的若干说法。

有两处引用细节容易出错。2020 年那篇 SIGGRAPH 论文题为 Sequential Gallery，“序列平面搜索”（sequential plane search）是其中的方法（Koyama 等，2020）。旋律方面的工作是两篇论文：2020 年的试点研究（Zhou 等，2020），以及 IUI 2021 上有 12 名被试的研究（Zhou 等，2021）。

32.11 已定、有争议与缺失 #

32.12 习题 #

延伸阅读 #

• Chan 等人（2022）是关于能动感与性能之间权衡最清晰的对照研究；阅读其结果时，宜一并阅读其中关于混合主导的讨论。
• Mo 等人（2024）展示了协作这一折中方案的具体形态，并在同一项被试内研究中将其与两个极端作了比较。
• Ou 等人（2022）是唯一一次有专业人员参与的偏好贝叶斯优化长期现场部署，也最详细地记录了真实反馈如何偏离模型。
• Koyama 等人（2020）和书章 Koyama 与 Igarashi（2018）阐述了界面研究线索对查询形式的思考，并坦率列出了其局限。
• Niwa 等人（2025）在设计者用自然语言引导时同时测量结果与能动感，可作为通向第 35 章中语言模型系统的桥梁。