编注：这篇是上学期的期末作业报告，关于大语言模型聊天工具的一次用户体验小研究。觉得挺好玩的，于是决定拿出来分享一下。实验是去年年末做的，有 4 个月的不应期，有些信息可能略显过时。此外，全文的风格非常的数据流派和学术风格，读起来会有一定困难，请各位谅解 c⌒っ.ω.)っ。

自 ChatGPT 公开发布以来，市面上基于大语言模型的聊天应用层出不穷。模型能力随着每一代迭代不断提升，但与之交互的界面设计却几乎原地踏步：左侧是按时间排序的历史侧栏，右侧是当前对话窗口，这套布局从最早期延续至今几乎没有发生实质改变。

这种界面在使用量不大时尚能应付，但一旦用户想要找回某段过去的对话，问题便会浮现。绝大多数应用通过小模型自动为对话生成标题，然而这些标题往往只参考了对话开头的几句话，无法反映后续的发展与结论。随着对话不断累积，标题之间也越看越雷同，最终找回旧内容的成本超过了重新提问的成本，用户便选择直接重新提问。这种习惯一旦形成，历史记录便逐渐成为用户不愿打开的「废纸篓」。

我们关注的核心问题是：用户实际上如何使用这些工具？他们如何管理累积下来的对话？又最希望界面发生哪些改变？围绕这些问题，我们开展了一项混合方法的小型研究，期望为下一代 LLM 聊天界面的设计提供一定的实证依据。

方法

数据收集

本研究希望在两个层面展开：一方面通过问卷描绘群体的行为模式，另一方面通过访谈深入了解这些行为背后的动机。受访者来自社交平台公开招募，覆盖中文、英文和西班牙语三种语言背景，最终收集到 48 份有效问卷和 7 份深度访谈。

在访谈对象的选择上，我们尽量在 LLM 资深用户和新手之间保持平衡。如果只与资深用户交谈，会错过新手在初次使用时所遇到的具体问题；如果只询问新手，又难以捕捉长期使用所暴露的结构性问题。研究流程严格遵守研究伦理：所有问卷参与者在填写前完成了知情同意，访谈开始前也向受访者说明了隐私保护方式。

量化工具

问卷围绕一个核心问题展开：用户与聊天历史互动的过程究竟是什么样的？

除了基础的人口学信息和使用频率以外，我们重点考察了「检索行为」，即当用户需要回顾旧内容时，他们究竟是返回历史记录中查找，还是直接新开一个窗口重新提问。我们使用 5 点李克特量表来量化用户的主观感受，包括界面满意度、检索难度、对当前历史管理功能的评价等若干维度。

质性工具

问卷适合呈现宏观结构，访谈负责捕捉具体的细节。我们采用半结构化访谈，请每位受访者展示其日常的对话管理流程，包括如何开启新对话、何时重命名、是否删除、删除之前的犹豫程度等。

我们也讨论了情感层面的体验，特别是当历史记录变得混乱时那种难以言明的烦躁感。访谈的最后阶段，我们请受访者描述（或绘制）他们心目中的理想界面，这一环节能呈现问卷本身无法覆盖的深层需求。

结果

样本概况

参与问卷的 48 名受访者中，超过半数（52.1%）使用 LLM 应用已经超过一年；75% 在自我评估中将自身定位为「高级」（46%）或「专家」（29%）使用者。在使用频率上，多数受访者每天或几乎每天使用相关工具。这意味着我们的样本对长期使用中暴露出来的问题相对敏感。

从应用选择来看，ChatGPT 是被使用最广泛的工具：48 人中有 25 人将其用于编程类任务，24 人用于写作辅助，21 人用于学习。Gemini 紧随其后（20 人编程使用）， Claude 排在第三（10 人编程使用）。其余如 Copilot、Grok、DeepSeek、通义千问、豆包等应用，使用人数均不超过 7 人。

按使用场景排序，编程相关任务是最高频的需求，其次依次为写作辅助、学习新事物、一般性查询和数据分析。这五类场景覆盖了绝大多数受访者的核心用法。

在对话规模方面，约三分之一的受访者账户中保留有 50 个以上的对话记录，其中又有相当一部分超过 100 个。

应用与场景的同质化

我们想厘清的第一个问题是：用户是否会针对不同任务选择不同应用？例如，编程使用 Copilot，写作使用 ChatGPT，研究使用 Claude？

数据并不支持这种「任务驱动」的应用选择假设。等效性检验显示，App 选择与使用场景之间的关联明落入小效应阈值（合并表后 Cramér’s V = 0.049，远低于 0.10 的阈值；TOST 等效性检验在 α = 0.05 水平上拒绝了「存在有意义关联」的备择假设）。

这意味着市面上几个主要的 LLM 应用尚未在使用场景上拉开差异。无论用户首选哪一家，他们都倾向于将其作为通用工具使用，覆盖编程、写作、学习等各类任务。各家应用之间的「场景护城河」尚未形成。

一种很均匀的挫败

样本之中存在一个值得关注的对比。问卷列出了一组常见的对话管理痛点选项：

• 对话太多，找不到需要的那一个
• 自动生成的标题没有意义
• 相似话题分散在各处
• 重要的对话被淹没
• 记不清哪段对话里有相关信息
• 搜索功能无效或根本没有
• 无法按主题或项目分类
• 对话列表加载缓慢
• 在长篇对话中找不到答案
• 担心删除后会丢失信息
• 我没有遇到任何困难

我们观察了不同技术水平的用户分别勾选了哪些。自评技术水平较高的用户中，有 50% 至少勾选了「标题没意义」或「对话太多」之中的一项；普通用户中只有 16.7% 这样勾选（Fisher 精确检验 p = 0.042，OR = 4.85）。

但这一对比并不意味着高技术用户在整体上更感到挫败。当我们把焦点从「报告了多少种具体问题」转向「整体挫败感评分」时，等效性检验给出了相反的结论。高技术组（M = 3.06，SD = 1.09）和低技术组（M = 3.17，SD = 0.94）的整体挫败感几乎完全一致（TOST p = 0.0425，等效性确认；Cohen’s d = 0.105）。

换言之，高技术用户的整体挫败感与普通用户接近，但他们能够更具体地说明挫败的来源。这一现象与他们的使用规模密切相关：高技术组中 69.7% 的用户保留有 50 个以上对话记录，普通组中这一比例只有 33.3%。当对话规模达到一定量级，特定的痛点便会以更细分的形式浮现，普通用户尚未达到这一规模。

痛点与需求

用户对于 LLM 服务的整体满意度均值为 6.35（1–10 量表，SD = 1.92），单样本 t 检验显示其显著高于中点 5.5（t(47) = 3.07，p < 0.01），但 SD 接近 2，分布较宽，受访者内部存在差异；用户的主观「挫败感」均值为 3.08（1–5 量表，SD = 1.05），等效性检验已确认它与中性立场不可区分。综合两项数据，受访者对当前历史管理功能的整体评价处于中等偏弱满意的区间。既谈不上特别满意，也没有出现普遍情绪崩溃。

但「凑合」掩盖了一个事实：相当一部分用户在使用过程中会撞上一些很具体问题。下面三条主题是访谈与开放题中浮现得最频繁的痛点。

自动生成的标题

在痛点分析题目中，「标题没意义」勾选为痛点的受访者占 14.6%（7 / 48）。在另一问题中，认同「标题准确性」的均值为 2.94（SD = 1.00），略低于中性（3），等效性检验（TOST，δ = 0.5）显示该均值与中性等效（p = 0.002）从总体上看，标题质量很勉强。

访谈中也呈现出对应的分歧。一位资深用户反馈，ChatGPT 和 Claude 的自动标题「都还算贴近内容」；另一位则提到 Gemini 移动端的语音助手模式会为每次提问独立建立一个会话，「这些会话的标题非常通用，里面其实包含了一堆不同主题」。可以看出，标题问题的严重程度高度依赖于使用模式：偶尔提问通常无事；高频依赖某些特定的交互方式（如语音助手、固定模板）的用户最容易遇到这个问题。

用户希望更细致的整理工具

定量数据上，用户对更细粒度整理工具的需求方向比较清楚，但不同功能之间存在强度差异。需求评定中「希望为对话添加标签」均值为 4.12（SD = 0.76），是整个题组中较高的一项，单样本 t 检验显示该均值显著高于中性（t(47) ≈ 10.2，p < 0.001），SD 较小也意味着这一诉求在样本中相对一致。「对话内书签」的需求评分为 3.79（SD = 0.97），同样显著高于中性（t(47) = 5.64，p < 0.001），但 SD 接近 1，用户内部对这项功能的评价存在一定分歧。

访谈中，受访者表达的整理需求主要集中在会话层面。一位用户描述了用方括号给标题加前缀的临时做法（「就像在标题前面贴一个标签」）；另一位希望能像 Google Drive 一样建立按项目名称分组的文件夹结构；还有人希望能给整条对话标星置顶。当被问到理想的界面时，多位受访者画出的方案都是某种形式的会话层级分组。

值得注意的是，「会话整理」是访谈中出现频率最高的诉求；而在后续的功能—满意度分析中（见「自动化悖论」一节），唯一与整体满意度显著相关的功能反而是响应级别的「对话内书签」。这两组信号之间存在冲突：用户主动表达出的诉求长一个样子，真正与体验改善挂钩的工具又呈现出另外一种样子。

模型能力暂时掩盖了体验问题

访谈中浮现的另一个现象是，即便对历史管理功能有所不满，用户也很少因此更换平台。一位受访者直言：「历史管理很重要，但不是决定因素，我会选模型最强的那家。」言下之意是，当模型能力还存在差距时，用户愿意忍受界面上的不便；而一旦各家厂商的模型能力趋于接近，这种容忍就难以维持。

挫败感来自哪里

「信息散乱」是放弃寻找的最强预测指标

几个常见痛点（标题不好、对话太多、相似话题散落各处、搜索不好用）之中，究竟哪一项对「直接放弃寻找旧对话」具有最强的预测力？我们将四个选项同时纳入逻辑回归模型，预测受访者「过去一个月是否曾放弃过查找」这一二元结果。

结果显示，四个变量中只有「相似话题散落各处」一项达到显著水平（OR = 12.07， 95% CI [2.69, 72.93]，p = 0.003）；其余三项均未达到显著。这个比值比的量级值得关注：一旦用户感到信息散落，放弃寻找的可能性是没有这种感觉时的十二倍。不过考虑到置信区间很宽，因此在解读的时候需要保持谨慎心态。

样本中有 41.7%（20 / 48）的受访者勾选了「相似话题散落各处」。换言之，散乱信息不是一个普遍困扰所有用户的问题；但对于撞上这一问题的近四成用户来说，它是导致他们放弃使用历史记录的最直接原因。

由此可以得出一个相当明确的设计含义：要降低这部分用户的放弃率，比起优化标题或增强搜索功能，更关键的是帮助他们将同一话题的内容聚到一起，并且做好正确的整理。

信息量级不直接造成挫败

直觉上，对话越多，用户就越容易感到挫败。但事实更加复杂一些。

我们想厘清三件事：对话数量本身是否会引发挫败感？挫败感是否会拉低用户的整体满意度？以及，对话数量是否会绕开挫败感、直接影响满意度？

三个问题的答案各不相同。检验显示，对话数量对挫败感几乎没有影响（β = 0.003， p = 0.442），等效性检验确认了这条路径接近为零；但挫败感与满意度之间存在显著的负向关系（β = -0.665，p = 0.016），用户一旦感到挫败，对界面的整体评价就会随之明显下滑；至于对话数量对满意度的直接影响，等效性检验同样确认了这条路径接近为零。

将三条结果合在一起观察，问题的轮廓变得清晰。对话数量本身并不会让用户感到挫败。仅仅将更多对话留存给用户并不会自动增加他们的焦虑；只有当他们在累积的内容中反复检索失败时，挫败感才会出现。在逻辑链条上，对话数量是远因，结构性的检索失败是直接成因。

主动性比技术水平更重要

技术水平本身与满意度之间几乎不存在关系。单变量回归显示，技术水平的 β = 0.067， p = 0.838，R² 低于 0.1%。换言之，面对同样的界面，无论用户技术水平高低、使用量多少，技术水平这一变量对最终满意度都不具备独立的解释力。

那么真正起作用的是什么？我们构造了一个复合的「管理主动性指数」，将重命名频率、整理意愿和拆分话题习惯三个变量做 Z 分数加总，用以衡量用户在主动整理对话上的实际投入；这一指标独立于技术能力本身。

控制自评技术水平之后，主动性指数与「检索成功感」之间的偏相关仍然显著（偏 r = 0.345， p = 0.017）。其中，「整理意愿」单独进行回归就解释了约 7.8% 的满意度变异（R² = 0.078， p = 0.054）。在 N = 48 的样本下，这一结果处于临界显著区间，但效应量稳定，方向一致。

由此得出的设计建议：在任何技术水平上，只要用户愿意投入少量整理精力，就能享有更顺畅的检索体验。这一优势对所有用户开放，与技术水平无关。

三种心智模型，三种功能偏好

我们对用户的功能偏好评分进行了 K-Means 聚类（k = 3），得到三个具有清晰特征的用户群体：

• 全文搜索导向（n = 31）：样本中最大的一组，期待接近搜索引擎水平的检索能力。
• 频率排序导向（n = 10）：将对话视为可复用的工具库，希望最常用的内容置于顶部。
• 时间线导向（n = 7）：缺乏主动整理意愿，依赖近期记忆与默认的时间排序。

三组在功能偏好上的差异极为显著（ANOVA F(2, 45) = 34.75，p < .001，η² = 0.61）。这种程度的分组效果不可能由抽样噪音造成，反映的是稳定的偏好差异。

聚类身份与职业之间没有显著关联（Fisher 精确检验 p = 0.483，Cramér’s V = 0.28），我们因此无法断言某一职业群体更倾向于某种心智模型。这一分组适合作为功能优先级的设计依据；它不应被理解为人口学层面的用户分类。

时间线导向组有一个特征值得单独指出：他们对「手动文件夹」的评分显著低于另外两组（Kruskal-Wallis H = 12.78，p = 0.002；事后比较：相对于全文搜索组 r = 0.756，相对于频率排序组 r = 0.829，均显著）。这一组用户不仅没有使用文件夹，还明确表达出对该功能的排斥。如果设计上要求他们建立整理体系，他们很可能会选择规避。

哪些功能真的与满意度相关？

如果只考察十项候选功能之中哪些与「整体满意度」相关，结果呈现出明确的方向。

功能	与满意度的相关	解读
对话内书签	r = 0.282，p = 0.026	唯一显著
手动文件夹	r = 0.227，p = 0.06	临界，未达显著
自动分组	r = 0.018	等效性确认为零
自动关联相关对话	r = -0.004	等效性确认为零
时间线视图	r = 0.051	等效性确认为零
全文搜索	r = -0.047	等效性确认为零

需要说明的是，相关不等于因果。也可能是天生有条理的用户既更喜欢书签，也更满意当前界面。但当自动分组、自动关联、时间线、全文搜索这一组「由系统替用户处理」或「让用户被动浏览」的功能集体被等效性检验确认为零时，这一信号已经足够清楚：将整理工作交由 AI 完成对整体体验的改善有限；让用户自己在关键时刻进行标记，反而是十项功能之中唯一与满意度形成关联的那一项。

进一步细分来看，我们根据用户是否在痛点筛选中选择「相似话题散落各处」分为「痛苦组」（n = 20）与「无痛组」（n = 28）。无痛组对置顶功能的需求显著高于痛苦组（M = 4.39 vs M = 3.95；t = 2.07，df = 44.1，p = 0.022 单尾，Cohen’s d = 0.59）。这一组用户已经具备自己的整理体系，他们的需求是将重要内容固定在显眼位置。这属于典型的「锦上添花」诉求，与书签功能的发现方向一致。

从数据到设计

用户画像

为了让上述结果更具体可感，我们基于访谈与聚类分组，整理了三个具有代表性的用户角色。每个角色对应一种心智模型，集中呈现该群体在研究中表现出的典型需求与困境。这些角色是合成的：每个角色综合了若干位受访者的特征，用来说明群体行为模式。

重度用户：Carlos

Carlos 是一名软件架构师，使用 LLM 已经两年。他为每一个编程问题都开启一个新对话，将对话视为可复用的「函数」。这套整理方法在前期运行良好，但当对话累积到一定数量之后开始崩塌。其中一个具体的崩塌点出现在 Gemini 移动端：每次语音互动都会被独立保存为一个新会话，标题非常通用，内部却混合了多个主题。

「我开始重复提问了，因为找到原来那条对话比重新打一遍还慢。」

Carlos 来自聚类中的「频率排序导向」群体，他的行为集中体现了这一组用户的整理逻辑：将对话视作工具库，希望最常用的内容能浮上侧栏顶部。他的应对方法是离开官方界面，转向 Cherry Studio 这类支持标签与过滤功能的第三方客户端。用他自己的话说，他想要的是「Spotify 那种体验」：常用对话固定在顶部，按使用频率排序。他对 AI 自动归类的功能并没有需求。

学术用户：Maria

Maria 来自样本中最大的一组，即「全文搜索导向」群体。她代表这样一类用户：将 LLM 作为论文写作或长期研究的外部记忆，账户中累积了大量主题不一的对话。

具体到 Maria 这个角色，她是博士在读，14 个月间累积了 73 个对话，内容从德里达延伸到维多利亚小说，再到论文章节修改。日常使用中这套方式尚可应付，但一旦需要找回某个具体的观点就会陷入困境。上个月她花了 20 分钟寻找一段关于《呼啸山庄》的讨论，先后打开七个标题为「文学分析」的对话，最终选择放弃，重新提出了同样的问题。

「全文搜索导向」群体面临的核心问题是颗粒度。访谈中，这一群体表达的整理需求主要集中在会话级别，例如标签、文件夹、项目分组。定量分析则提供了一个不太一样的角度：在所有十项候选功能里，唯一与整体满意度显著相关的功能是「对话内书签」（r = 0.282，p = 0.026）。这两组信号合在一起提示了一个值得关注的设计方向。Maria 这类用户目前常见的替代方案是把关键段落复制到 Notion 或其他笔记工具，在 LLM 之外另行构建索引。

被动浏览者：James

James 是营销顾问，使用 LLM 七个多月，账户中约有 30 个对话记录。当我们询问他对历史管理有何需求时，他的回答非常直接：「我就往下翻，翻到看着眼熟的为止。」

对 James 而言，按时间倒序浏览完全足够。他通常只需要昨天的头脑风暴笔记，或者上周的会议想法。他来自聚类中的「时间线导向」群体，约占样本的 15%（n = 7）。这一群体的对话总量较低，现有的默认界面恰好契合他们的使用方式。然而 James 每周新增 8 到 10 个对话，距离体验崩溃的临界点（约 50 个）已不远。

他明确拒绝了某个平台的文件夹功能，理由是「感觉像在做作业」。前文呈现的聚类结果显示，时间线导向组对手动文件夹的整体评分显著低于另外两组（Kruskal-Wallis 事后比较）；James 是这一态度的具体例证。

当她爱用的 LLM 平台推出「相关对话」推荐功能时，James 表示这个功能对他有用，因为他有时确实会忘记自己曾经提出过类似的问题。这种对低摩擦功能的接受度提示了一种设计方向：被动型用户对工具的需求集中在隐形的辅助上；要求他们建立和维护手动整理体系，大概率会遭到回避。

设计建议

基于以上发现，我们提炼了四条设计原则。

把整理的主动权留给用户

数据中最反常识的一点在于，自动化的收益远不及通常的预期。在十项候选功能的探索性分析中，自动分组、自动关联、时间线视图、全文搜索这一组功能与满意度的相关在等效性检验下均被确认为零；对话内书签的相关为 r = 0.282，方向正向，但在多项功能同时检验的条件下，这一结果的解读应当谨慎。这条信号与主动性指数独立预测满意度（偏 r = 0.345，p = 0.017）的发现方向一致，据此我们认为保留用户的参与感本身具有一定价值。

由此得出的建议是：与其将大量从未被用户请求的对话默默归入自动生成的文件夹，不如提供一些更加低摩擦的手动整理手段，比如给某个对话段落打一个标签便于后续检索。

自动分组与书签的命运差异，可以理解成交互成本的差异。书签只需在用户产生想法的瞬间点击一次；自动分组则要求用户先信任一个不透明的算法，事后还需手动修正其分类错误。访谈确认了后者在认知上的高消耗。

James 的偏好恰好体现了这条原则。他不愿使用文件夹，理由是「像做作业」；但他能接受自动置顶最近常用对话的功能，因为这完全不需要额外操作。被动型用户在有限的注意力预算下做出取舍，这种克制不应被解读为缺乏动力。功能必须依靠即时、可见的价值来赢得使用机会。

在具体落地上，可以考虑「智能默认值」的方案：本周访问最多的对话自动置顶，开始新对话时推荐相关的旧对话；同时为重度用户保留手动覆盖的能力。这样的机制能够同时服务 James 和 Carlos 这两类需求各异的用户。

在话题切换处进行提示

访谈中反复出现的一个场景是，用户在同一个对话窗口内从一个话题自然滑向另一个；事后想要找回早期的内容时，关键信息被埋藏在一段混杂的长对话之中。这与我们的核心发现相呼应：「相似话题散落各处」是预测用户放弃的最强信号（OR = 12）。而且这种习惯并不利于上下文管理。

一个比较粗浅的做法是，当系统检测到话题发生明显切换时，平台可呈现一个非强制的提示：「这看起来是一个新话题，要不要开启新的对话？[继续当前对话 / 从这里拆分]」让拆分成为阻力最小的路径，但同时不惩罚偏好长对话的用户。

我知道这看起来很蠢，但是笔者在现实生活中遇到不止一个人对着一个对话连着讲了好几周还不觉得有问题的用户。为了让 Conversational UI 的概念彻底符合「聊天」的用户心智，自动找到正确的上下文、在正确的上下文继续和用户的讨论是一个我们不得不面对的问题。因为聊天软件的心智模型是「和谁聊天」，不是「聊什么主题」，你也很难想象用户打开 Siri 的时候要它先选一个 Session 列表。目前每次打开就把上下文清光、 LLM 认为重点的内容放 Memory 里面等以后 RAG 看起来更像是一个权宜之计，毕竟我们也不知道 LLM 对信息重要性的判断是否准确。

第一天就为信息规模失控做好准备

专家用户的痛点是规模问题，与技能水平无关。现有界面在对话量为 10 个时表现良好（James 的舒适区间），到 100 个时则会崩溃（Carlos 的危机时刻）。这种差距不应当依靠后期补丁来弥补。搜索系统、元数据模型、组织结构都应当从最初就假设用户最终会累积到「企业级」量级。

具体方向上：将基于客户端、对懒加载内容失效的「Ctrl+F」搜索升级为服务端全文索引；在单一的时间倒序列表之外，提供时间线、使用频率、手动文件夹等多种视图模式。

结论

LLM 平台之间的功能正在快速趋同，而聊天界面的差异化几乎陷入停滞。各家厂商在模型能力上展开激烈竞争，却在「让用户找回过去」这件事上集体迟缓。在使用规模较小时，这套界面尚能应付；但对于约四成撞上「散乱信息」问题的重度用户，它已经开始无法支撑。

本研究中有几个相对稳定的信号：

• 在所有候选因素中，「相似话题散落各处」是「放弃寻找旧对话」的唯一显著预测因子（OR = 12.07，p = 0.003）；对话总数、搜索难用、标题质量均未达到显著。
• 主动整理（用户能动性）独立于技术水平预测满意度（控制 Tech 后偏 r = 0.345， p = 0.017）；技术水平本身的预测力极弱（β = 0.067，p = 0.838）。
• 自动分组、自动关联、时间线视图、全文搜索这一组由系统替用户处理的功能，在等效性检验下与满意度的相关性均被确认为零。
• 唯一与满意度显著相关的功能是「对话内书签」（r = 0.282，p = 0.026），属于典型的低摩擦手动工具。
• 对话数量本身并不直接造成挫败感（中介分析中数量到挫败感的路径等效性确认为零）；引发挫败感的是数量带来的结构性「找不到」。在因果链条上，数量是远因，检索失败是直接成因。

将这些信号汇总起来，方向相当清晰：让用户能够便捷地拆分上下文、为某条回复添加标记、按使用频率排序对话。这些看似不起眼的小工具，比 AI 替用户自动归类要有效得多。

模型能力终将趋同。「让用户能够掌控自己的对话」这件事，会越来越接近真正意义上的差异化护城河。

局限性

本研究是探索性的，相关限制需要明确。

样本量 N = 48，统计效力有限。本研究的发现更接近一组方向稳定的信号，不应被当作确定性的结论使用。我们已尽量使用等效性检验来区分「真实存在的零效应」与「样本不足以检出的差异」，但仍有部分临界结果只能视作趋势。

本研究采用横截面设计，因果方向无法确定。即使观察到主动性和满意度的正相关，也不能排除反向因果的可能：性格上更具条理性的用户本身就倾向于报告更高的满意度，与工具的实际帮助关系有限。

技术水平依赖用户自评，本身具有主观性。未来研究应当采用长期跟踪与 A/B 测试加以验证：当我们真正提供一个使用户更具掌控感的界面时，用户的整理行为与满意度是否会随之发生变化。这才是「主动性机制」从相关推进到因果的有效检验路径。

本研究由博主以及 Garcia Soto Jorge Alejandro, Tong Leon Velarde Juan Carlos, Yang Lei 共同完成。