醫療空間

在醫院迷路，不只是少看了一塊指示牌

以決策點、命名一致性、壓力與行動能力重新理解尋路，讓患者把注意力留給就醫本身。

3 秒示例決策點辨識目標
1 名稱每目的地主要稱呼
2 次最大轉向確認間隔
4 類使用者情境測試

決策點導視

箭頭只在需要做選擇的位置出現，並讓樓層、顏色、文字和地圖使用同一套名稱。

01 · 現場不是平均使用者

病人收到簡訊叫他前往「影像醫學中心」，大廳牌子寫「放射診斷部」，電梯則標示縮寫。三個名稱都可能正確，但焦慮中的訪客會把每次轉彎變成猜測，最後在走廊反覆折返。

這一場景提醒我們，設計對象不是抽象的平均值，而是會在壓力、時間限制與不同身體條件下完成具體任務的人。

02 · 機制從哪裡開始

尋路依靠連續的確認：先建立方向，再在決策點選路，之後看到證據確認自己沒有走錯。若兩次確認距離過長，或名稱突然改變，工作記憶負擔就會上升；增加更多牌子不一定解決一致性問題。

因此不能用單一指標代表整個系統；量測必須與流程節點對應，並讓讀者知道數據能夠解釋什麼、不能解釋什麼。

03 · 證據要怎樣收集

研究應記錄起點、目的地、停頓位置、回頭次數、詢問點與完成時間，並區分初訪者、視力受限者、行動緩慢者和非主要語言使用者。錄像與定位數據涉及隱私，應取得同意並最小化保存。

所有精確數字都應記錄來源、時間和適用邊界；本頁指標屬於設計示例，用來說明結構，不冒充研究結論。

04 · 把原則變成流程

先盤點實際用詞，建立唯一主要名稱與允許別名；在入口給出整體方向，在每個選擇點重復目標，在抵達前提供最後確認。色彩只能輔助，不能成為辨識樓層或部門的唯一線索。

實施時應先小規模驗證，保留人工覆蓋與退出路徑，再根據真實反饋迭代；自動化只能執行已說明的邊界。

05 · 最容易出現的誤判

把地圖做得更精美卻不處理現場命名，會讓線上與線下衝突更加明顯。二維碼導航也不能替代實物標識，因為訪客可能沒電、無網絡、無法持機或需要同時推輪椅。

對異常與失敗保留記錄比隱藏警報更重要。若系統只展示成功案例，管理者就無法看見結構性缺口。

06 · 如何作出可解釋決定

改善前後比較的不只是平均時間，還包括最差路徑、求助次數與放棄率。若少數複雜路線仍讓人嚴重迷失，平均值的進步不能掩蓋關鍵醫療體驗中的失敗。

最終報告應同時呈現收益、代價、未覆蓋人群與剩餘不確定性，避免把複雜公共問題壓縮成單一漂亮分數。

07 · 部署前的實務檢核

「在醫院迷路，不只是少看了一塊指示牌」不應停留在概念展示。正式投入使用前，需把使用者、設備、資料與例外情境放進同一輪小規模測試，事先寫清成功條件、停止條件與人工接管方式。測試紀錄要保留失敗與缺漏，不能只挑選最順利的流程作為成果。

  • 從預約短信、入口地圖到門牌逐項核對目的地是否使用同一主要名稱
  • 邀請初訪者、行動緩慢者及不同語言使用者走完高壓力路線
  • 記錄停頓、回頭、詢問和走錯後的恢復，不只量測最快抵達時間
  • 在手機沒電、網絡不可用和電梯停用時確認實體導視仍能獨立工作

完成檢核後，應由實際受影響的人參與復盤：哪些步驟變得更容易，哪些人仍被排除，資料是否足以支持判斷，以及新增流程是否帶來隱私、時間或維護負擔。若證據不足，就把結論標示為待驗證，而不是用精確分數製造確定感。

編輯檢核：本文提出的是可測試的設計框架，不是已完成的產品結論。正式部署前應由實際使用者、維護者與受影響群體共同複核資料邊界、例外情境、人工接管和停止條件，並保留失敗紀錄供後續修正。

METHOD / PYTHONSIMULATED INPUT
from dataclasses import dataclass
from typing import List, Tuple

@dataclass
class Observation:
    name: str
    value: float
    weight: float
    confidence: float

def normalize(value: float, low: float, high: float) -> float:
    # 將觀測值限制在示例區間並轉換為 0 到 1
    if high <= low:
        raise ValueError("high 必須大於 low")
    clipped = min(max(value, low), high)
    return (clipped - low) / (high - low)

def evaluate(rows: List[Observation]) -> Tuple[float, List[str]]:
    weighted_sum = 0.0
    weight_total = 0.0
    notes = []
    for row in rows:
        reliable_weight = row.weight * row.confidence
        weighted_sum += row.value * reliable_weight
        weight_total += reliable_weight
        if row.confidence < 0.6:
            notes.append(f"{row.name}: 資料可信度偏低")
    if weight_total == 0:
        return 0.0, ["沒有可用觀測"]
    return weighted_sum / weight_total, notes

# 以下均為說明方法的模擬輸入，並非真實量測
samples = [
    Observation("示例決策點辨識目標", normalize(62, 0, 100), 1.0, 0.9),
    Observation("每目的地主要稱呼", normalize(48, 0, 100), 0.8, 0.7),
    Observation("最大轉向確認間隔", normalize(75, 0, 100), 1.2, 0.8),
    Observation("使用者情境測試", normalize(35, 0, 100), 0.7, 0.5),
]
score, warnings = evaluate(samples)
print("綜合示例分數:", round(score, 3))
for warning in warnings:
    print("檢查:", warning)