数字标牌内容回忆率的影响测试：颜色、长度和光线

    了解怎样的色彩、内容长度和光线条件才能实现最高的数字标牌内容回忆率。——Bill Gerba

    对许多网络公司和内容创作公司而言，数字标牌的研究昂贵、费时，且难于把握。为了以更有效、更廉价、更便捷的方式找出最佳的屏幕、内容组合，WireSpring公司利用亚马逊公司的Mechanical Turk群众外包系统建立了一个仿真模拟平台，来快速测试色彩、内容长度和光线条件这些变数对内容回忆率的影响，且已进行了无数次测试。我们测试了大约6个变数后，在2011年的数字标牌博览会（DSE）上发布了测试结果。

    今天我们将涵盖前三个测试：色彩与对比、信息长度和外界（环境）关系对信息阅读和回忆的影响。

    问题1：色彩和/或色彩对比对信息识别和信息记忆的影响有多大？

    我们首先想测试的是色彩和对比在信息可读性和信息记忆上的影响。过去，我们已经在色彩和对比方面做了许多研究，且很早以前就知道该用怎样的色彩组合，这为我们提供了很有用的准控制案例。例如，我们都知道以相同衬值的前台与后台色彩组合（如白色衬在深红底色上或白色衬在深蓝底色上），两种颜色表现持平。而提高对比率的色彩组合其效果往往更加。为测试Mechanical Turk为基础的模拟是否反映了现实，我们制作了一系列色调和对比率不同的图像（如展示不同的灰度，而不仅仅是黑色和白色），然后进行上百次实验。

    我们一共测试了ClearChannel推荐的7种高对比的颜色组合，而这些颜色组合是他们设计户外广告的指导方针。尽管这些组合中并没有一种组合独占鳌头（正如我们设想的），但我们确实看到了不同对比率情况下的重要变化（幸好，这也是我们所预计的）：

    黑底白字的组合远胜于对比率稍低的黑底黄字组合。同样地，蓝底白字的组合胜过蓝底黄字组合。总体而言，白底黑字是大赢家，甚至超过了黑底白字。这可能是由于电脑屏幕最擅长展示白色，因为红/绿/蓝色的每一组成像素都必须被转化才能产生白色光线，这就使白色成为所有色彩中最明亮的颜色。

    问题2：信息长度如何影响回忆率？

    简言之，50多年的心理学研究告诉我们，大部分人只能准确记住9样或更少的物体，而最佳记忆点是7个左右。并且，我们更倾向于记住列表开始与结尾的事物，这就是我们大脑中叫做首位效应和就近效应的优化功能。于是我们只做了一系列测试图像，来看哪怕是只言片语对观看者阅读和回忆一则信息的影响到底有多大。我们测试图像中的信息长度从两个字到五个字不等，完全在7±2的记忆范围内。我们也想知道首位效应和就近效应是否会发挥作用。

    我们又一次很高兴看到，Mechanical Turk结果模拟了过去进行的现实性研究。我们记录了在回忆两个字和五个字的词组时大致8点不同，这实际上比我们估计的区别要大一些。不可否认的是，部分原因要归于实验误差，因我们并没有比较这些特定词组在普通文本形式中的回忆率——尽管我们没有期望这个基准点在我们的结果中产生多重要的影响。由于时间限制，我们没有测试更长的词组，但今后一定会进行测试，因为大量现实内容往往以更长的文本词组形式出现，且更具行动号召力。

    问题3：普通环境的明亮度（如周围灯光）如何影响信息识别与回忆？

    尽管内容制作和数字标牌回放系统给使用者提供了调整完好的软件设置控制装备，很多屏幕很不幸地被安装在了不理想的环境中。我们都看到过显示器挂得离地面太高、离正常的交通流太远，甚至被装在了视觉障碍物后面。简而言之，当你不得不考虑地点限制时，最好的数字标牌安装计划也可能大打折扣。每当我想到好几百万美元花到了屏幕、播放器、软件和内容上，却因为所处内部环境的强光原因而没人看得到，我就觉得很痛心。

    我们确信，环境明亮度对信息识别和回忆有极其消极的影响，但我们还不确定如何来测验。（试着去下你们当地的沃尔玛超市或俱乐部商店，要他们试着改变十来次灯光，看一下购物者是如何反应的。）最好，我们产生了一个相当完善的模拟方案，即将我们的数字标牌模拟内容安放到不同的购物环境中，并使用不同种类和不同强度的环境光线。为使屏幕看起来褪色得恰到好处，我们在一个控制好光线的白色（稍带黄色）房间里拍的照片，然后将这些照片插入到购物环境图像中。通过像素抽样和取平均值，我们计算了一张图像的“平均”明亮程度。有趣的是，我们制作的99张截然不同的图像中，最后自热地分成了六个不同的亮度种类。

    我们根据屏幕的相对明亮度——该屏幕与周围环境相比其明亮度如何——划分了正确答案百分比，从而得出了上面这张图表，且意外地发现明亮度和回忆之间几乎没有关联。图表上66%相对明亮度类别处的急速下降也使我们困惑，直到我们重新回顾了整套图像，然后发现事实上他们恰巧都有最高的视觉混淆价值。我们会在下一篇文章中谈到高度的视觉混淆会造成回忆的急速跌落。我们没有时间用更好的66-明亮度的图像组来重新测试，但是我认为如果我们做了这样的测试，结果将与图表中余下的线条走向一致。

    如果你正在想，Mechanical Turk在和用真实数据做的研究对比时，很好地支持了以前的研究。我们从未进行过正式的数据分析，因为我们的数据收集方法和数据本身与别的试验太不一样了。但是根据简单的统计和我们的行业经验，这些结果还是相当“正确的”，可以作为实践的参考。

    Bill Gerba和他的同事们最近发表了《测试数字标牌内容》中的第二部分——“测试数字标牌内容：导向、混杂与大小”。

    Bill Gerba是佛罗里达WireSpring技术联合公司Fort Lauderdale的创办人和执行总裁。该公司的产品主要用于全球范围内远程操控互动式一体化设备和数字标牌。他同时也是国际终端营销协会数字标牌奖项目主席、业界重大事件常规演讲人，和WireSpring公司的数字标牌博客作家，这篇文章也是经他同意后转载于该博客。