Coursera课程详见：https://www.coursera.org/learn/design-principles/home/welcome
这节课讲怎样评估我们的设计。
用对比、衡量尺度来代替“你喜欢这个设计吗”，“给我的设计评个分” 的提问方式。比如，“和微信相比，你使用xx的xx体验是什么”，“使用这个功能的用户的百分比是多少”。
单独测试一个部分，可以调查它的发生频率；测试现象的原因，即两件事物的关联程度，可以计算他们的协方差；但要得到“X导致Y”的结论，必须确定他们之间的因果关系。可以用控制变量法。
HCI中，实验的独立变量用来控制、操作，非独立变量用来衡量、评估。比如，对于一台吸尘器，评价标准可以是吸尘器的移动速度、清洁程度、是否使人劳累、便携性、可操作性、易学性等，这些和吸尘器本身有关；而控制变量可以是吸尘器的类型、品牌、版本等，这些和吸尘器本身无关。
内部有效性：实验结果的可靠程度，复现概率；
外部有效性：实验在真实环境中的普适度。
实验结果被实验方法和执行力两类因素影响。
实验方法包括人员和任务的分配。实验分配会受到被测个人的影响和实验顺序的影响。比如让group 1测试机器1，group 2 测试机器2，这样测试结果可能受到group组员之间区别的影响；而让每组都分别测试两台机器，则结果可能因为测试顺序不同而改变--机器1先测、机器2后测，于是2的使用情况更好些。
那么怎么办呢？有一种叫做counter balancing反向平衡的分配方法：group1测试机器1，group 2测试机器2；然后反过来，group 1测机器2，group 2测机器1。测试的人员和被测物分别反向。
到底有没有必要让每个测试者测试每种情形呢？如果时间允许，所有可能都cover到是最好的情况--within-subjects；如果可以招募到更多的人测试，每人测试一种情景--between-participants也是可以接受的，这种方法有不受经验影响的优点；反向平衡counter balancing是一种在between-participant中减少方差的好方法。
如果变量的维度增加到3--除了被测人员和测试机器，还有机器的多种模式。可以用Latin方阵表示，像这样（每个方格代表一个机器的一种模式）：
这样，测试的先后顺序得到了平衡（模式1，2，3和机器1，2，3分别出现在第一，第二，第三次的使用中），不同机器的不同模式也兼顾到了。
这里讲到了研究影响因素的霍桑实验。工厂管理者想验证照明对生产效率的影响，他们增强灯光的亮度，发现生产力会提高；而降低亮度时，生产率并没有明显下降。研究发现并不是照明对工人的工作有了作用，而是工人们觉得自己收到重视，在积极的心理作用下提高了效率。这说明，有时实验媒介的干预是造成结果的原因，而并非我们希望得到的真正的效应。
用“随机”的分配对它导致的副作用作出平衡。随机分配测试物，如果测试数目很多，可以先把他们两两分组，再从每组中随机抽出一个，作为第一/第二组的测试对象。
实验的一种方法是让被测试者“边说边做”，即把自己所做所想的说出来。这样有很多好处，观察者可以对被测人的思考过程更加了解，知晓操作中遇到的困难和疑惑，以及他们的解答方法。但这种方法有看不见的副作用：“边说边做”可能让被测人更容易解决问题，毕竟把问题一个个抛出来会使思路更加清晰。“边说边做”会使行为变慢。被测者也许说的并不是他们的真实想法，他们希望问题迎刃而解。如果实验结合“边说边做”进行测试，不要因为这些副作用和其他测试动机矛盾而犹豫。这种方法的目的是探究用户使用过程中的心理过程，不同的测试应有不同目的，可以分开进行。
设计网页内容时， 有个“承诺升级”commitment escalation原则：先让用户同意做一点点，再网上逐渐增加，用户会更容易接受你的请求。比如评价反馈部分，先让用户评出满意度，再填写原因和意见，好过同时展现这两个要求。更进一步，我们可以设置满意度的评估为“你是否满意...?”的提问选项，根据选项值设定反馈意见的文本，“你对...不满意的地方在于: ..... ”。
