核心发现
方法论
本文提出了一种基于信息气味的序列决策模型，用于模拟用户在信息架构中的导航行为。该模型将导航问题视为在记忆限制下的部分可观察马尔可夫决策过程（POMDP）。用户在有限的时间预算内，基于局部和全局信息气味做出决策。模型通过强化学习策略，优化在有限认知资源下的导航路径。
关键结果
- 结果1：模型在模拟用户试错行为方面表现出色，能够重现用户的过早选择、错误转向和回溯行为。这些行为在实验中与真实用户数据高度一致，表明模型的有效性。
- 结果2：在不同任务难度和层次深度的实验中，模型准确捕捉了用户的导航模式，如任务难度增加时的错误率和解决时间的增加。
- 结果3：通过消融实验，验证了记忆衰减和噪声组件对导航效率和模型-人类一致性的贡献。
研究意义
该研究通过将信息气味理论扩展到序列决策框架，提供了一种新的视角来理解用户在复杂信息架构中的导航行为。模型不仅在学术上填补了现有模型的局限性，还为设计更具用户友好性的界面提供了理论支持。尤其在信息过载的时代，该模型有助于改善用户体验，减少导航错误。
技术贡献
技术贡献包括将信息气味理论与部分可观察马尔可夫决策过程（POMDP）相结合，提出了一种新的导航决策模型。该模型通过强化学习策略实现了资源理性决策，能够在记忆限制和不确定性下优化导航路径。此外，模型还引入了记忆衰减和噪声组件，增强了对人类导航行为的模拟能力。
新颖性
本研究首次将信息气味理论应用于序列决策模型，并通过POMDP框架实现了对人类导航行为的模拟。这一创新不仅在理论上填补了现有模型的不足，还在实践中提供了更精确的用户行为预测。
局限性
- 局限1：模型在处理极端复杂的导航结构时，可能会出现性能下降，因为记忆限制和噪声可能导致决策错误。
- 局限2：模型的参数需要针对不同的应用场景进行调优，可能限制其通用性。
未来方向
未来研究可以探索如何在更复杂的导航环境中应用该模型，或结合其他认知模型以提高预测精度。此外，研究如何自动化地调整模型参数以适应不同的用户群体和应用场景，也是一个重要方向。
AI 总览摘要
在信息架构中导航常常是一个复杂的任务，尤其当链接含糊不清或深嵌于层次结构中时，用户往往难以找到目标。现有的模型如CoLiDeS和SNIF-ACT虽然在某些方面提供了解决方案，但它们通常假设用户可以完全观察到所有选项，忽视了记忆限制和不确定性对决策的影响。
本文提出了一种基于信息气味的序列决策模型，将导航问题视为在记忆限制下的部分可观察马尔可夫决策过程（POMDP）。用户在有限的时间预算内，基于局部和全局信息气味做出决策。模型通过强化学习策略，优化在有限认知资源下的导航路径。
该模型的核心技术原理包括信息气味的计算、记忆衰减机制和噪声处理。信息气味通过预训练的句子转换器计算，记忆衰减则模拟了人类记忆的有限性和不确定性。通过这些机制，模型能够在不完全信息下进行有效的决策。
实验结果表明，模型在模拟用户试错行为方面表现出色，能够重现用户的过早选择、错误转向和回溯行为。这些行为在实验中与真实用户数据高度一致，表明模型的有效性。此外，模型在不同任务难度和层次深度的实验中，准确捕捉了用户的导航模式。
这一研究不仅在学术上填补了现有模型的局限性，还为设计更具用户友好性的界面提供了理论支持。尤其在信息过载的时代，该模型有助于改善用户体验，减少导航错误。然而，模型在处理极端复杂的导航结构时，可能会出现性能下降，未来研究可以探索如何在更复杂的导航环境中应用该模型。
深度分析
研究背景
信息气味理论是信息觅食理论的核心概念，用于描述用户如何根据周围线索感知信息源的价值、成本或访问路径。早期的研究如Pirolli和Card的工作表明，用户应在页面的感知收益低于替代方案时离开页面。然而，这种理想化的导航行为在实际中很少出现。用户往往不会评估所有选项，有时会过早做出决定，甚至回到之前的页面。这些行为表明，信息气味在有限理性的条件下引导决策，而不是通过完全理性的策略。现有的计算模型，如CoLiDeS和SNIF-ACT，虽然在某些方面提供了解决方案，但它们通常假设用户可以完全观察到所有选项，忽视了记忆限制和不确定性对决策的影响。
核心问题
在复杂的信息架构中导航是一个具有挑战性的问题，尤其当链接含糊不清、重叠或深嵌于层次结构中时。现有的模型往往假设用户可以完全观察到所有选项，并在当前页面上做出短视的决策。然而，用户在实际中常常过早选择链接，忽视相关线索，随后依赖回溯来纠正错误。如何在记忆限制和不确定性下模拟用户的导航行为，是一个亟待解决的问题。
核心创新
本文的核心创新在于将信息气味理论扩展到序列决策框架中，提出了一种基于部分可观察马尔可夫决策过程（POMDP）的导航模型。1) 该模型将导航问题视为在记忆限制下的序列决策问题，用户在有限的时间预算内，基于局部和全局信息气味做出决策。2) 引入了记忆衰减机制，模拟了人类记忆的有限性和不确定性。3) 通过强化学习策略，优化在有限认知资源下的导航路径。这些创新不仅在理论上填补了现有模型的不足，还在实践中提供了更精确的用户行为预测。
方法详解
- �� 信息气味计算：使用预训练的句子转换器计算选项标签与目标之间的语义相似度。• 记忆衰减机制：模拟人类记忆的有限性和不确定性，限制可保留线索的数量，并应用衰减以使未复习的痕迹随时间消退。• 强化学习策略：通过强化学习策略，优化在有限认知资源下的导航路径。• 部分可观察马尔可夫决策过程（POMDP）：将导航问题视为在记忆限制下的POMDP，用户在有限的时间预算内，基于局部和全局信息气味做出决策。
实验设计
实验设计包括使用重建的HTML菜单材料，模拟不同任务难度和层次深度的导航任务。实验中使用的基准数据集包括Blackmon数据集，测试了9个标题和93个链接。实验指标包括解决时间、点击次数、成功率、首次点击准确率和迷失度。通过消融实验，验证了记忆衰减和噪声组件对导航效率和模型-人类一致性的贡献。
结果分析
实验结果表明，模型在模拟用户试错行为方面表现出色，能够重现用户的过早选择、错误转向和回溯行为。这些行为在实验中与真实用户数据高度一致，表明模型的有效性。此外，模型在不同任务难度和层次深度的实验中，准确捕捉了用户的导航模式，如任务难度增加时的错误率和解决时间的增加。通过消融实验，验证了记忆衰减和噪声组件对导航效率和模型-人类一致性的贡献。
应用场景
该模型可以直接应用于用户界面设计，帮助设计师优化信息架构，减少用户导航错误，提高用户体验。在信息过载的时代，该模型有助于改善用户体验，减少导航错误。此外，模型还可以用于教育领域，帮助学生在复杂的信息架构中更有效地导航。
局限与展望
模型在处理极端复杂的导航结构时，可能会出现性能下降，因为记忆限制和噪声可能导致决策错误。此外，模型的参数需要针对不同的应用场景进行调优，可能限制其通用性。未来研究可以探索如何在更复杂的导航环境中应用该模型，或结合其他认知模型以提高预测精度。
通俗解读 非专业人士也能看懂
想象你在一个巨大的图书馆里寻找一本特定的书。图书馆的书架排列得很复杂，书名也不总是清晰可见。你不能一次性看到所有的书，只能逐个查看书架上的书名。为了节省时间，你会根据书名的相关性来判断是否继续查看这个书架上的书。这就像是信息气味，你根据书名的“气味”来判断它是否可能是你要找的书。
在这个过程中，你的记忆是有限的，你不能记住所有你查看过的书名。随着时间的推移，你可能会忘记一些书名，尤其是那些你没有仔细查看的书名。这就像是记忆衰减，你的记忆会随着时间的推移而减弱。
有时候，你可能会选择错误的书架，甚至需要回到之前查看过的书架。这就像是试错导航，你在有限的信息和记忆下做出决策，有时会犯错，但可以通过回溯来纠正。
这个模型模拟了你在图书馆中的行为，帮助你在复杂的信息架构中更有效地找到目标。它通过计算信息气味、模拟记忆衰减和处理噪声，优化了你的导航路径。
简单解释 像给14岁少年讲一样
想象一下，你在一个巨大的迷宫里寻找一个宝藏。这个迷宫有很多岔路口，每个岔路口都有不同的指示牌。你不能一次性看到所有的指示牌，只能逐个查看。为了节省时间，你会根据指示牌上的信息来判断是否继续走这条路。这就像是信息气味，你根据指示牌的信息来判断它是否可能通向宝藏。
在这个过程中，你的记忆是有限的，你不能记住所有你查看过的指示牌。随着时间的推移，你可能会忘记一些指示牌上的信息，尤其是那些你没有仔细查看的指示牌。这就像是记忆衰减，你的记忆会随着时间的推移而减弱。
有时候，你可能会选择错误的路，甚至需要回到之前查看过的岔路口。这就像是试错导航，你在有限的信息和记忆下做出决策，有时会犯错，但可以通过回溯来纠正。
这个模型就像是一个聪明的助手，帮助你在迷宫中更有效地找到宝藏。它通过计算信息气味、模拟记忆衰减和处理噪声，优化了你的导航路径。
术语表
信息气味 (Information Scent)
信息气味是用户对信息源的价值、成本或访问路径的感知，通常通过链接描述、图像或页面布局等线索获得。
在本文中，信息气味用于指导用户在信息架构中的导航决策。
部分可观察马尔可夫决策过程 (POMDP)
POMDP是一种决策模型，适用于在不完全信息和不确定性下的序列决策问题。
本文将导航问题视为在记忆限制下的POMDP。
强化学习 (Reinforcement Learning)
强化学习是一种机器学习方法，通过与环境的交互来学习最优策略，以最大化累积奖励。
本文使用强化学习策略优化导航路径。
记忆衰减 (Memory Decay)
记忆衰减是指记忆随时间的推移而减弱的现象，尤其是那些未被重复或强化的记忆。
本文模拟了人类记忆的有限性和不确定性。
噪声 (Noise)
噪声是指在信息处理过程中引入的不确定性或随机性，可能导致决策错误。
本文通过噪声组件增强了对人类导航行为的模拟能力。
试错导航 (Trial-and-Error Navigation)
试错导航是指用户在有限的信息和记忆下做出决策，有时会犯错，但可以通过回溯来纠正。
本文模型能够重现用户的试错行为。
资源理性 (Resource Rationality)
资源理性是指在有限认知资源下，优化期望效用的决策过程。
本文通过强化学习策略实现了资源理性决策。
语义相似度 (Semantic Similarity)
语义相似度是指两个文本或概念在意义上的相似程度，通常通过向量空间模型计算。
本文使用预训练的句子转换器计算信息气味。
消融实验 (Ablation Study)
消融实验是一种实验方法，通过逐步去除模型的某些组件来评估其对整体性能的影响。
本文通过消融实验验证了记忆衰减和噪声组件的贡献。
迷失度 (Lostness)
迷失度是衡量用户在导航过程中偏离目标的程度，通常通过路径的复杂性和错误率来评估。
本文使用迷失度作为实验指标之一。
开放问题 这项研究留下的未解疑问
- 1 如何在更复杂的导航环境中应用该模型仍是一个开放问题。现有模型在处理极端复杂的导航结构时，可能会出现性能下降。未来研究可以探索如何结合其他认知模型以提高预测精度。
- 2 模型的参数需要针对不同的应用场景进行调优，这可能限制其通用性。如何自动化地调整模型参数以适应不同的用户群体和应用场景，是一个重要的研究方向。
- 3 虽然模型能够模拟用户的试错行为，但在极端情况下，记忆限制和噪声可能导致决策错误。如何在这些情况下提高模型的鲁棒性，仍需进一步研究。
- 4 信息气味的计算目前依赖于预训练的句子转换器，但在多语言环境下的适用性尚未得到验证。未来研究可以探索如何在多语言环境中应用该模型。
- 5 虽然模型在实验中表现出色，但在实际应用中，用户的行为可能受到其他因素的影响，如情感状态、动机等。如何在模型中引入这些因素，仍需进一步研究。
应用场景
近期应用
用户界面设计
该模型可以帮助设计师优化信息架构，减少用户导航错误，提高用户体验。通过模拟用户行为，设计师可以更好地理解用户在复杂信息架构中的导航模式。
教育领域
在教育领域，该模型可以帮助学生在复杂的信息架构中更有效地导航。通过模拟学生的导航行为，教育工作者可以设计更具针对性的学习材料。
信息检索系统
该模型可以应用于信息检索系统，帮助用户更快速地找到所需信息。通过优化信息架构，减少用户的导航错误，提高信息检索的效率。
远期愿景
智能导航系统
未来，该模型可以应用于智能导航系统，帮助用户在复杂的城市环境中更有效地导航。通过模拟用户行为，优化导航路径，提高导航效率。
多语言信息架构
该模型可以应用于多语言信息架构，帮助用户在不同语言环境中更有效地导航。通过优化信息气味的计算，提高多语言环境下的用户体验。
原文摘要
Users often struggle to locate an item within an information architecture, particularly when links are ambiguous or deeply nested in hierarchies. Information scent has been used to explain why users select incorrect links, but this concept assumes that users see all available links before deciding. In practice, users frequently select a link too quickly, overlook relevant cues, and then rely on backtracking when errors occur. We extend the concept of information scent by framing navigation as a sequential decision-making problem under memory constraints. Specifically, we assume that users do not scan entire pages but instead inspect strategically, looking "just enough" to find the target given their time budget. To choose which item to inspect next, they consider both local (this page) and global (site) scent; however, both are constrained by memory. Trying to avoid wasting time, they occasionally choose the wrong links without inspecting everything on a page. Comparisons with empirical data show that our model replicates key navigation behaviors: premature selections, wrong turns, and recovery from backtracking. We conclude that trial-and-error behavior is well explained by information scent when accounting for the sequential and bounded characteristics of the navigation problem.