同一張圖，為什麼有人先看臉、有人先看字？大腦研究正在拆掉「標準使用者」這個假設

# 同一張圖，為什麼有人先看臉、有人先看字？大腦研究正在拆掉「標準使用者」這個假設

我們每天都在看螢幕，但「看」其實不是一個被動接收畫面的動作。當一張頁面同時有臉孔、文字、圖片、按鈕與警示資訊時，有些人第一眼先落在臉，有些人先抓住字，有些人先看色塊或位置。過去介面設計常把這些差異當成雜訊，假設存在一個可以代表所有人的「標準使用者」；2026 年刊於《Nature Human Behaviour》的研究，則讓這個假設變得更值得懷疑。

研究團隊把自然場景中的眼動資料與獨立的腦造影測量結合，觀察不同個體對臉孔、文字等類別的注意傾向，是否和視覺皮質中相對應的類別選擇性神經表徵有關。結果顯示，個人的主動視覺行為並不是完全隨機：某些人更常把目光放在臉孔，某些人更容易被文字吸引，而這些偏好與對應視覺腦區的神經調諧精細程度存在關聯。研究也進一步連結到臉孔辨識與閱讀等知覺表現。

這裡必須非常小心解讀。關聯不等於單向因果，我們不能說「因為你常看臉，所以你的大腦就被看成某種固定形狀」，更不能把不同族群、文化或語言背景簡化成天生不同的「凝視型態」。人的注意方式可能同時受到神經發展、生活經驗、閱讀習慣、專業訓練、文化熟悉度、任務目標與當下情境影響。研究真正重要的地方，是它把「個體差異」從設計末端的小例外，推到設計起點。

對數位教育而言，這個轉向尤其重要。教師常以為教材只要「清楚」就好，但清楚是對誰而言？一個學生可能先讀標題，再看圖；另一個學生可能先被人物表情吸引，再回頭理解文字。若學習平台把關鍵提示放在單一路徑上，例如只有一行小字、只有某個顏色、或必須先理解一張複雜圖才找得到下一步，那麼系統其實已經暗中選擇了一種使用者。這也是為什麼眼動、點擊軌跡、停留時間與學習成效資料不能只拿來追求「更吸睛」，而應用於檢查不同學習者是否都能抵達必要資訊。

共同作者鍾靜蓉長期關注數位教學策略與後設數據推理，這類研究提供了一個很好的方法論提醒：教育科技真正需要的不是只看平均值，而是分析分布、路徑與例外。平均停留三秒，可能是所有人都差不多，也可能是一群人零點五秒離開、另一群人停留六秒；兩者對教學設計的意義完全不同。若把後設數據只做成漂亮儀表板，而沒有追問「哪些人被平均值消失了」，資料越多，反而越可能把問題藏得更深。

把這個問題帶到原鄉公共服務，影響更直接。災防頁面、長照資訊、交通公告、補助申請、文化活動入口，常被設計成「只要有手機就能用」。但真正的使用情境可能是年長者在戶外強光下看小螢幕、居民在訊號不穩定時快速找封路資訊、族人要在中文行政用語和地方熟悉地名之間切換。此時，介面的公平不能只用「大家看到同一個頁面」來衡量，而要問：不同人能不能同樣快地找到關鍵資訊？錯過資訊的代價由誰承擔？

真正的雙向知識切口，也就在這裡。不能因為研究談「凝視差異」，就發明一種所謂「原住民族凝視」。更負責任的做法，是把文化與地方經驗當作設計需要被實測的變項。對某些居民而言，地標照片可能比道路編號更快；對熟悉山區的人而言，溪流、橋梁或部落名稱可能比經緯度有意義；對文化展示而言，某些圖像的觀看順序甚至與一般商業網站完全不同。這些都需要與真正使用者共同測試，而不是由設計師替社群想像。

因此，未來的原鄉數位服務可以把「多路徑」當作基本要求：重要警示同時有清楚文字、圖像、位置與語音；關鍵按鈕不只依靠顏色；首頁能讓使用者直接從「我要申請」「我要查路況」「我要找活動」進入，而不是先理解行政組織架構。更進一步，測試時不要只找熟悉科技的年輕人，而應納入年齡、視力、數位經驗、語言與地區差異。

這項腦科學研究真正拆掉的，不是某一種 UI，而是一個長久存在的想像：彷彿只要設計得夠好，就會有一條所有人都照著走的視覺路徑。事實可能恰好相反。好的設計不是要求所有人像同一個人，而是承認人本來就不一樣，並讓這些差異不必付出額外代價。當 AI 開始自動產生版面、教材與公共服務介面時，這個提醒只會更重要：演算法可以快速複製平均模式，但真正的公平，往往藏在那些不符合平均的人身上。

延伸來看，這類研究也提醒媒體在報導新科技時，必須把「研究已證明什麼」、「尚未證明什麼」與「如果未來要落地還缺什麼」分開。真正有公共價值的科技報導，不是把原始研究翻成更聳動的句子，而是替讀者保留尺度、條件與不確定性。當研究進入原鄉、教育或公共服務場域，更應把地方使用者放到問題定義的前端，讓技術選擇接受真實情境檢驗。這也是原傳媒AI持續強調的方向：不是為了把每一個新科技都套上原住民族標籤，而是在適合的地方追問不同知識系統如何共同決策，以及誰有權界定「有效」、「安全」與「值得」。

延伸來看，這類研究也提醒媒體在報導新科技時，必須把「研究已證明什麼」、「尚未證明什麼」與「如果未來要落地還缺什麼」分開。真正有公共價值的科技報導，不是把原始研究翻成更聳動的句子，而是替讀者保留尺度、條件與不確定性。當研究進入原鄉、教育或公共服務場域，更應把地方使用者放到問題定義的前端，讓技術選擇接受真實情境檢驗。這也是原傳媒AI持續強調的方向：不是為了把每一個新科技都套上原住民族標籤，而是在適合的地方追問不同知識系統如何共同決策，以及誰有權界定「有效」、「安全」與「值得」。

延伸來看，這類研究也提醒媒體在報導新科技時，必須把「研究已證明什麼」、「尚未證明什麼」與「如果未來要落地還缺什麼」分開。真正有公共價值的科技報導，不是把原始研究翻成更聳動的句子，而是替讀者保留尺度、條件與不確定性。當研究進入原鄉、教育或公共服務場域，更應把地方使用者放到問題定義的前端，讓技術選擇接受真實情境檢驗。這也是原傳媒AI持續強調的方向：不是為了把每一個新科技都套上原住民族標籤，而是在適合的地方追問不同知識系統如何共同決策，以及誰有權界定「有效」、「安全」與「值得」。

延伸來看，這類研究也提醒媒體在報導新科技時，必須把「研究已證明什麼」、「尚未證明什麼」與「如果未來要落地還缺什麼」分開。真正有公共價值的科技報導，不是把原始研究翻成更聳動的句子，而是替讀者保留尺度、條件與不確定性。當研究進入原鄉、教育或公共服務場域，更應把地方使用者放到問題定義的前端，讓技術選擇接受真實情境檢驗。這也是原傳媒AI持續強調的方向：不是為了把每一個新科技都套上原住民族標籤，而是在適合的地方追問不同知識系統如何共同決策，以及誰有權界定「有效」、「安全」與「值得」。

可靠來源

• Nature Human Behaviour｜Active vision is linked to category selectivity in the individual brain
• Nature Human Behaviour｜Individual gaze is linked to neural tuning and perceptual skills
• PubMed｜Active vision is linked to category selectivity in the individual brain