HCAI Tutorial

先判断你的起点

不需要等到“基础全部学完”才开始 HCAI。选择你最弱的一列作为补课重点，同时尽早进入真实项目。

偏设计 / 社科优先补 Python、数据分析、机器学习概念与模型局限。

偏算法 / 工程优先补访谈、实验设计、认知心理学与交互原型。

完全零基础按 00 → 05 顺序推进，每周至少完成一个可展示产出。

STAGE 00

建立 HCAI 视角

1 WEEK

先学会区分三个问题：模型能不能做、系统是否好用、它是否真正改善人的处境。HCAI 的研究对象不是孤立模型，而是“人—AI—任务—情境”组成的系统。

核心概念

以人的目标而非模型指标定义成功
自动化与人的控制权
信任、依赖、可解释性与失败恢复

思考练习

选择一个 AI 产品画出利益相关者地图
列出收益、误用、失败与边缘用户
把“提高准确率”改写成人的结果指标

Google People + AI Guidebook ↗

从产品流程理解人本 AI 设计模式。

NIST Human-Centered AI ↗

理解任务、人的目标与可信 AI 的关系。

必须产出：一页 HCAI Problem Brief：用户、情境、任务、AI 角色、成功指标、主要风险。

STAGE 01

基础工具与生存技能

2–4 WEEKS

计算与数据

Python、Notebook、pandas 与可视化
概率统计、线性代数、假设检验
Git、命令行、可复现环境

研究表达

检索与管理文献
学术阅读：问题—方法—证据—局限
图表、写作、演示与研究日志

MIT Missing Semester ↗

命令行、Git 与研究计算工作流。

Statistics & Probability ↗

建立读懂实验和模型评估所需的统计直觉。

必须产出：用公开数据完成一个可复现 Notebook，包含问题、清洗、分析、图表和结论边界。

STAGE 02

理解人：认知与研究方法

3–5 WEEKS

认知基础

知觉、注意、记忆、决策与心智模型
认知负荷、专业知识与个体差异
情绪、动机、社会互动与情境

研究方法

访谈、观察、主题分析与扎根编码
实验、自变量/因变量、效应量与功效
问卷、行为日志、眼动/生理信号
知情同意、隐私与脆弱群体保护

MIT Introduction to Psychology ↗

建立可用于交互设计的心理学基础。

Stanford CS147 HCI ↗

以项目学习用户研究、原型和评估。

必须产出：完成 3–5 次半结构化访谈，形成编码表、需求主题和一张用户任务流程图。

STAGE 03

理解 AI：能力、数据与边界

4–6 WEEKS

算法基础

监督/无监督学习、训练与泛化
表示学习、Transformer、LLM 与多模态模型
检索增强、智能体、微调与评估

人本视角

数据从哪里来，代表了谁
准确率之外的错误成本与分布差异
幻觉、偏差、不确定性与能力边界
何时不应该使用 AI

Google ML Crash Course ↗

快速建立机器学习概念与实践基础。

Hugging Face LLM Course ↗

理解 Transformer、模型使用与局限。

必须产出：实现一个小型 AI baseline，并制作 Model Behavior Report：数据、指标、典型成功、典型失败、风险与适用边界。

STAGE 04

设计人机协作系统

3–5 WEEKS

把模型放进交互闭环：用户如何表达意图、理解输出、纠正错误、调整自动化程度，并在失败后恢复？

关键设计决策

AI 是工具、队友、代理还是导师
主动性、可控性与责任如何分配
反馈、解释、不确定性如何呈现
如何支持校准信任而非追求“更多信任”

原型策略

先用 Wizard-of-Oz 验证交互价值
从低保真流程到可用 AI 原型
记录 prompt、模型版本和失败案例
设计人工接管与安全退出

必须产出：一个可交互原型、一次 5 人可用性测试，以及按严重程度排序的问题清单。

STAGE 05

进入 HCAI 研究

ONGOING

从主题到问题

系统阅读 20–30 篇论文并建立证据矩阵
区分技术缺口、设计缺口与知识缺口
让研究问题、方法和证据严格对应

可信与负责

预注册或提前固定分析计划
报告负面结果、失败与研究者立场
评估长期影响、滥用和部署情境
保证材料、代码和分析可复现

NIST AI Risk Management Framework ↗

用 Govern、Map、Measure、Manage 检查完整生命周期。

Jiangtao Gong · Publications ↗

按算法、系统、人机协作与人类理解寻找案例。

必须产出：一份 4 页研究提案：问题、相关工作、研究问题、系统/方法、评估、伦理风险、预期贡献。

CAPSTONE

一个 12 周的 0→1 HCAI 项目

W01–02 · MAP
访谈利益相关者，定义人的目标、使用情境和风险。

W03–04 · FRAME
阅读相关工作，形成研究问题和非 AI baseline。

W05–06 · MODEL
验证 AI 能力，建立行为测试集并分析失败。

W07–08 · INTERACT
设计控制、反馈、解释、纠错和退出机制。

W09–10 · EVALUATE
开展用户研究，同时测量人的结果和系统表现。

W11–12 · SYNTHESIZE
分析证据，迭代原型，完成论文式报告和演示。

最小合格项目：不是“调用一个模型做出 Demo”，而是证明一个真实的人类需求存在、AI 在其中有合适角色、交互支持人有效掌控系统，并且证据足以说明收益与代价。

你什么时候算“学会了”？

维度	入门	达到研究起点
理解人	能描述用户需求	能用定性/定量证据解释行为与情境
理解 AI	能调用或训练模型	能系统刻画能力、错误、不确定性和适用边界
设计系统	能完成 AI Demo	能设计控制、反馈、纠错、信任校准与失败恢复
评估证据	能做可用性测试	能让研究问题、方法、指标和结论严格对应
负责创新	知道公平与隐私概念	能识别利益相关者、风险、权力关系与长期影响

建议：把每个“必须产出”放进同一个公开或私有研究仓库。半年后，你得到的不只是课程笔记，而是一套能展示研究能力的 HCAI portfolio。