5D Library › 计算美学、视觉显著性图谱与人机界面认知工程 · English
第一章 两条流行规则:黄金分割与三次点击
界面设计的入门材料里,有两条规则几乎总会出现。一条说,把页面按黄金分割比 划分,用户会觉得更舒服,转化也更好;另一条说,任何内容都必须在三次点击之内到达,否则用户就会离开。两条规则都简单、好记、可以直接执行,这正是它们流行的原因。本章先逐条核对它们的出处与证据,再给出数学上能成立的边界。
黄金分割:从费希纳到网页
实验的历史
用实验检验「黄金长方形最美」的传统始于费希纳。他在 1876 年的《美学初阶》中报告,让被试从十个面积相同、长宽比不同的长方形中挑出最喜欢的一个,接近黄金比的长方形被选得最多 (Fechner 1876)。但费希纳本人并没有得出「只有黄金比最美」的结论:他认为受欢迎的是一个比例范围,并认为蔡辛(Zeising)对黄金比美学价值的说法言过其实(据后人转述其原书第一卷)。
此后一百多年的实验给出的图景并不统一。格林 1995 年在《知觉》上的综述梳理了这一领域,题目就叫「闪光的未必是金子」(Green 1995)。麦克马纳斯 1980 年用配对比较法——每次只比较两个长方形,被认为偏差较小的方法——发现群体对黄金比的偏好很弱,而个体的偏好函数却强烈而稳定,彼此差别很大 (McManus 1980)(据斯佩哈尔等 2016 年论文引言的转述 (Spehar et al. 2016))。赫克特等人 1994 年发现,仅仅改变指导语(「你个人喜欢哪个」还是「哪个比例好」)与被试是否受过美术训练,就能让平均偏好的峰值在黄金比与正方形之间移动 (Hekkert et al. 1994)。数学家马尔科夫斯基 1992 年则系统地批评了「黄金比无处不在」的各种说法,包括它在建筑、绘画与人体中的「发现」 (Markowsky 1992)。
证据
关于黄金比偏好的证据(摘要)。 费希纳 1876:十个等面积长方形中,接近黄金比者最受欢迎,但费希纳本人只说偏好集中在一个范围 (Fechner 1876)。麦克马纳斯 1980:配对比较,群体偏好弱、个体偏好稳定而分散 (McManus 1980)。赫克特等 1994:指导语与美术背景改变平均偏好的峰值(未受训者在主观指导语下接近黄金比,受过美术训练者接近正方形;在「客观」指导语下两组都偏向正方形),个体差异很大 (Hekkert et al. 1994)。格林 1995 综述:证据混杂,结论依赖方法 (Green 1995)。本轮核查没有找到任何同行评审研究表明,用 1.618 划分网页能提高转化率、点击率或销售额。
所以,作者框架要证伪的「普适神话」,在现有证据中确实站不住:即使在最简单的长方形上,黄金比也不是一个稳健的偏好峰值;从长方形推到网页,再推到转化率,中间每一步都没有证据。
为什么「到处都能找到」黄金比
既然证据薄弱,为什么那么多成功的网页、标志与产品被说成「暗含黄金比」?一个原因是,在任何稍复杂的布局里,碰巧找到一个接近 1.618 的比例几乎是必然的。
下面的程序做三件事。A 部分列出常见的屏幕与纸张比例,看它们离 有多远;B 部分随机生成含 个盒子的布局(每个盒子的宽和高在 20 到 400 像素之间均匀抽取),计算其中至少有一对长度之比落在 之内的概率;C 部分模拟一位设计师对 20 个版式变体各做一次 A/B 测试,而真实效应全部为零。
推导
# How easy is it to "find" the golden ratio phi = 1.618... in an interface?
# A: common aspect ratios and their distance from phi (a tolerance decides the verdict).
# B: a random layout of k boxes (widths and heights uniform on 20-400 px); probability
# that at least one of the ratios between its 2k lengths lies within +-1 % of phi.
# C: 20 layout variants, each tested against a control in a null A/B test (no true
# effect): probability that at least one shows p < 0.05, without and with Bonferroni.
import math, random, statistics
PHI = (1 + math.sqrt(5)) / 2
RATIOS = [("16:9 screen", 16 / 9), ("16:10 screen", 16 / 10), ("4:3 screen", 4 / 3),
("3:2 (Song timber cai)", 1.5), ("A4 paper, sqrt 2", math.sqrt(2)),
("Fibonacci 8:5", 8 / 5), ("tall phone 19.5:9", 19.5 / 9)]
def near_phi(rng, k, tol):
L = [rng.uniform(20, 400) for _ in range(2 * k)]
return any(abs(a / b / PHI - 1) <= tol for a in L for b in L if a > b)
if __name__ == "__main__":
print(f"A. phi = {PHI:.6f}")
for name, r in RATIOS:
d = r / PHI - 1
ok = "yes" if abs(d) <= .05 else "no"
print(f" {name:24s} {r:6.3f} {d:+7.1%} within 5 %: {ok}")
rng = random.Random(1618)
print("B. random layouts, 2,000 each: P(some ratio within +-1 % of phi)")
for k in (2, 4, 8, 12):
p = statistics.fmean(near_phi(rng, k, 0.01) for _ in range(2000))
print(f" {k:2d} boxes ({k * (2 * k - 1):3d} ratios): {p:.3f}")
m, sims = 20, 20000
hit = hit_b = 0
for _ in range(sims):
z = [abs(rng.gauss(0, 1)) for _ in range(m)]
hit += max(z) > 1.959964; hit_b += max(z) > statistics.NormalDist().inv_cdf(
1 - 0.025 / m)
print(f"C. {m} null A/B tests: P(at least one p < 0.05) = {hit / sims:.3f}"
f" (exact {1 - 0.95 ** m:.3f}); Bonferroni {hit_b / sims:.3f}")
# A. phi = 1.618034
# 16:9 screen 1.778 +9.9% within 5 %: no
# 16:10 screen 1.600 -1.1% within 5 %: yes
# 4:3 screen 1.333 -17.6% within 5 %: no
# 3:2 (Song timber cai) 1.500 -7.3% within 5 %: no
# A4 paper, sqrt 2 1.414 -12.6% within 5 %: no
# Fibonacci 8:5 1.600 -1.1% within 5 %: yes
# tall phone 19.5:9 2.167 +33.9% within 5 %: no
# B. random layouts, 2,000 each: P(some ratio within +-1 % of phi)
# 2 boxes ( 6 ratios): 0.071
# 4 boxes ( 28 ratios): 0.316
# 8 boxes (120 ratios): 0.795
# 12 boxes (276 ratios): 0.967
# C. 20 null A/B tests: P(at least one p < 0.05) = 0.641 (exact 0.642); Bonferroni 0.049A 部分中,16:10 屏幕与斐波那契数 8:5 与 只差 1.1%,而最常见的 16:9 屏幕差 9.9%,4:3 差 17.6%,宋代木构的 3:2「材」截面(第七章)差 7.3%。B 部分是要点:只有 2 个盒子(6 个比值)时,碰巧有一个比值落在 内的概率为 0.071;4 个盒子时为 0.316;8 个盒子时为 0.795;12 个盒子时为 0.967。一个普通的商品页面有几十个矩形元素,所以事后「在这个页面里找到黄金比」几乎没有信息量。图 1 左画出了这条曲线,容差放宽到 ±3% 时,6 个盒子就已超过 0.9。
C 部分说明另一个来源:如果对 20 个没有任何真实效应的版式变体各做一次检验,至少有一个得到 的概率为 0.641(精确值 );按邦费罗尼校正后降为 0.049。一份「我们改成黄金比之后转化率显著上升」的案例报告,如果没有说明一共试了多少个变体、是否事先登记,就不能作为证据。第 33 本已经讨论过多重比较与分岔花园,这里只是把它用到版式测试上。
注
数学边界。 本节的结论不是「黄金比是错的」或「黄金比丑」。 是一个有许多优美数学性质的数(如 、它的连分数展开全是 1),这些性质本身都成立。不成立的是两步推断:(1)人对长方形普遍偏好 ;(2)这种偏好能转化为网页上的行为差异。设计师用 作为一个比例选择完全可以,只是不能说它因此会提高转化。第 3 本讨论过类似的问题:一个长度或比例在数学上的特殊性,不等于它在物理或心理上的特殊作用。
三次点击法则
出处与证据
「任何页面都应在三次点击之内到达」这条规则的来源很难追溯,它更像网页设计行业在 1990 年代末形成的口头经验。直接检验它的研究很少,被引用最多的是波特(Joshua Porter)2003 年在用户界面工程公司(UIE)网站上发表的文章 (Porter 2003)。
证据
波特 2003(行业研究,非同行评审)。 44 名用户、620 项任务、8,000 多次点击。点击次数与任务是否成功之间没有关系:用户在三次点击后放弃的可能性并不比十二次点击后更大,成功与失败任务的点击数分布相近,几乎没有人在三次点击后放弃。满意度也不随点击数变化:在不同长度的点击路径中,不满意的用户比例只在 46% 到 61% 之间波动。作者的结论是「更少的点击并不带来更满意的用户」,用户抱怨点击多,是因为找不到要找的东西 (Porter 2003)。尼尔森诺曼集团 2019 年的文章以「三次点击导航法则是错的」为题,表达了相同的看法 (Laubheimer 2019)。
需要注意:这是一家咨询公司发表的文章,样本、任务与网站的选取方式没有经过同行评审,结论应视为行业观察,不是严格的实验证据。
同行评审文献中与此最接近的是关于菜单深度与广度的研究。米勒 1981 年在固定 64 个目标项目的条件下比较了四种层级结构;据二手综述的转述,选择时间随深度增加而增加,也有转述称两层的 8×8 结构最快、最准 (Miller 1981)(原文本书未能核对);基格 1984 年也发现反应时与错误随深度增加,4×16 的两层结构最快、错误最少,而用户主观上最喜欢更浅的结构 (Kiger 1984)。拉森与切尔温斯基 1998 年在网页上重复了这一问题,发现深度确实有代价,但一个兼顾深度与广度的中等结构表现最好,而且「信息气味」(链接标签对目标的提示程度)与结构同样重要 (Larson and Czerwinski 1998)。皮罗利与卡德 1999 年的信息觅食理论为「气味」提供了理论框架 (Pirolli and Card 1999)。
所以,同行评审的证据并不支持「越浅越好」或「三次为限」,它支持的是:深度有代价,广度也有代价(每一层要读更多标签),而标签能否把人引向目标,往往比层数更重要。
一个菜单树模型
下面的程序是作者的模型,结构参照李与麦格雷戈 1985 年的菜单检索时间模型 (Lee and MacGregor 1985) 以及科伯恩、古特温与格林伯格 2007 年的菜单性能模型 (Cockburn et al. 2007),参数是示意值。4,096 个项目组成一棵广度为 、深度为 的树;每一层的时间包括一次点击与页面加载(0.8 秒)、一个搜索或决策步骤,以及一次菲茨指向。新手逐个阅读标签(平均读 个,每个 0.3 秒);熟练用户按海曼熵决策( 个等概链接时为 秒,与第二章一致)。每一层以概率 (信息气味)选对;选错则浪费一层并回退一次。
A 部分计算期望时间。B 部分模拟 620 项任务(深度 2 到 6,气味 0.60 到 0.98,「耐心」为 1 到 5 次错误选择),看任务成功与设计深度、气味和实际点击数的关系。
推导
# The "three-click rule" against a menu-hierarchy model (the author's model; structure
# after Lee & MacGregor 1985 and Cockburn, Gutwin & Greenberg 2007; parameters are
# illustrative assumptions). N = 4,096 items in a tree of breadth b and depth
# d = log_b N. Each level costs a click/load overhead, a search or decision step and a
# Fitts pointing movement. Novices read labels serially (self-terminating, (b + 1)/2
# labels on average); experts decide in a + b log2(b) (Hyman's entropy for b equally
# likely links; Chapter 2). At each level the
# user picks the right link with probability s ("information scent"); a wrong pick
# costs one wasted level plus a back step.
import math, random, statistics
N, LOAD, BACK, READ = 4096, 0.8, 1.0, 0.30 # s per click, s per back, s per label
HA, HB, FA, FB = 0.20, 0.15, 0.10, 0.15 # decision and Fitts constants
def level_time(b, novice):
search = (b + 1) / 2 * READ if novice else HA + HB * math.log2(b)
return LOAD + search + FA + FB * math.log2(b / 2 + 1)
def expected_time(b, s, novice):
d = round(math.log(N, b)); t = level_time(b, novice)
return d, d * (t + (1 / s - 1) * (t + BACK)) # geometric number of wrong picks
def corr(x, y): # Pearson r (Python 3.8+)
mx, my = statistics.fmean(x), statistics.fmean(y)
sxy = sum((a - mx) * (b - my) for a, b in zip(x, y))
return sxy / math.sqrt(sum((a - mx) ** 2 for a in x) * sum((b - my) ** 2 for b in y))
def task(rng, d, s, patience, b=8):
clicks = wrong = level = 0
while level < d:
clicks += 1
if rng.random() < s:
level += 1
else:
wrong += 1; clicks += 1 # wasted click and a back click
if wrong > patience:
return clicks, False
return clicks, True
if __name__ == "__main__":
print(f"A. expected time to reach one of {N:,} items (seconds)")
print(" breadth depth novice s=.95 s=.80 expert s=.95 s=.80")
for b in (2, 4, 8, 16, 64, 4096):
row = [expected_time(b, s, nv)[1] for nv in (True, False) for s in (.95, .80)]
d = expected_time(b, .95, True)[0]
print(f" {b:7d} {d:5d} {row[0]:12.1f} {row[1]:6.1f} {row[2]:13.1f}"
f" {row[3]:6.1f}")
for nv in (True, False):
best = min((expected_time(b, .95, nv)[1], b) for b in range(2, 4097)
if abs(round(math.log(N, b)) - math.log(N, b)) < 1e-9)
print(f" fastest exact tree for {'novices' if nv else 'experts'}:"
f" breadth {best[1]}, {best[0]:.1f} s")
rng = random.Random(2003); rows = []
for _ in range(620): # 620 simulated tasks
d = rng.randint(2, 6); s = rng.uniform(0.6, 0.98); pat = rng.randint(1, 5)
c, ok = task(rng, d, s, pat); rows.append((d, s, c, ok))
ok = [float(r[3]) for r in rows]
print("B. 620 simulated tasks (depth 2-6, scent 0.60-0.98, patience 1-5 wrong picks)")
for lab, i in (("design depth", 0), ("scent s", 1), ("clicks made", 2)):
print(f" correlation of success with {lab:12s}:"
f" {corr([r[i] for r in rows], ok):+.2f}")
print(f" success rate {statistics.fmean(ok):.2f}; median clicks, successful"
f" {statistics.median(r[2] for r in rows if r[3]):.0f},"
f" failed {statistics.median(r[2] for r in rows if not r[3]):.0f}")
print(f" tasks done within 3 clicks: {sum(r[3] and r[2] <= 3 for r in rows)}/620;"
f" successes after more than 3 clicks: {sum(r[3] and r[2] > 3 for r in rows)}")
# A. expected time to reach one of 4,096 items (seconds)
# breadth depth novice s=.95 s=.80 expert s=.95 s=.80
# 2 12 19.6 25.5 18.3 24.0
# 4 6 12.2 15.7 10.7 13.8
# 8 4 11.2 14.0 8.2 10.5
# 16 3 12.6 15.5 7.0 8.9
# 64 2 24.1 29.0 5.9 7.4
# 4096 1 649.6 771.6 4.8 5.9
# fastest exact tree for novices: breadth 8, 11.2 s
# fastest exact tree for experts: breadth 4096, 4.8 s
# B. 620 simulated tasks (depth 2-6, scent 0.60-0.98, patience 1-5 wrong picks)
# correlation of success with design depth: -0.17
# correlation of success with scent s : +0.34
# correlation of success with clicks made : -0.38
# success rate 0.87; median clicks, successful 5, failed 8
# tasks done within 3 clicks: 132/620; successes after more than 3 clicks: 407A 部分中,对新手而言最快的完整树是广度 8、深度 4( 时 11.2 秒),三层的广度 16 需要 12.6 秒,两层的广度 64 需要 24.1 秒,把 4,096 项全部放在一页上需要 649.6 秒——因为新手要逐个阅读。对熟练用户,随 增长的决策时间使宽而浅的结构越来越快,一页放下全部项目只要 4.8 秒。这说明「最优层数」取决于用户是否已经知道自己要找的标签:同一棵树对新手与熟练用户的排序正好相反。气味从 0.95 降到 0.80,新手在广度 8 上的时间从 11.2 秒增加到 14.0 秒,相当于多加了将近一层。图 1 右画出了这两组曲线。
B 部分中,620 项模拟任务的成功率为 0.87。任务成功与设计深度的相关只有 −0.17,与气味的相关为 +0.34,与实际点击数的相关为 −0.38。最后一个相关最容易被误读:失败的任务点击更多(中位数 8 次,成功任务 5 次),但这是因为用户在迷路时多点了错误的链接,而不是因为点击本身导致失败。在三次点击内完成的任务只有 132 项,而点击超过三次仍然成功的有 407 项。与波特的数据不同,本模型中失败任务的点击更多;但二者都说明点击次数本身不是失败的原因——在模型里,点击多是迷路的结果。
假说 · 尚未验证 · 气味比层数重要
作者的假说(尚未确立): 在固定项目数的网站导航中,把链接标签改写得更能提示目标(提高信息气味),对任务成功率的影响大于把层级从四层压缩到三层。什么样的结果能证明它是错的: 在一项事先登记的 2×2 析因实验中(标签:原始 / 改写;深度:三层 / 四层),深度的主效应大于标签的主效应,且差异的置信区间不包含零。
本章小结
黄金分割比 1.618 在长方形偏好实验中是一个微弱、依赖方法的峰值,没有同行评审证据表明它提高网页转化;在稍复杂的布局中,碰巧找到一个接近 1.618 的比例几乎是必然的,多次版式测试中碰巧「显著」也很常见。三次点击法则的主要反证来自一项行业研究(波特 2003),同行评审的菜单研究表明深度与广度各有代价、信息气味同样重要。作者的菜单树模型显示,最优层数取决于用户是新手还是熟练者,而点击数与失败的相关来自迷路,不是点击本身。两条规则都应改写:比例是设计选择,不是转化杠杆;点击次数是需要监测的症状,不是设计约束。
参考文献
Fan, Y. (2026). Computational Aesthetics, Visual Saliency Maps and Cognitive Ergonomics in User Interface Design: From the Hick–Hyman Law and Spatial Frequency Channels to Saccadic Trajectory Modelling, Read Beside the Kaogongji and Classical Treatise on Architectural Methods [计算美学、视觉显著性图谱与人机界面认知工程] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23836258 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).