Фуражирование: навигация и поиск в интерфейсе

Компромисс exploration–exploitation — одна из базовых задач адаптивного поведения: агент должен решать, когда опираться на уже известные источники награды, а когда искать новые возможности. Междисциплинарные обзоры показывают, что это не узкая «дилемма одного вида», а семейство задач, общее для экологии, психологии, нейронауки и формального моделирования (Mehlhorn и соавт., 2015; Hills и соавт., 2015; Cohen и соавт., 2007; Berger-Tal и соавт., 2014). В цифровой среде та же дилемма проявляется как выбор между повторным использованием знакомого пути (например, «избранные» товары или сохранённые фильтры) и исследованием новых категорий, рекомендаций или сценариев введения в продукт.

В поведенческой экологии этот принцип формализован теорией оптимального фуражирования (Optimal Foraging Theory, OFT): естественный отбор благоприятствует стратегиям, которые максимизируют чистый приток энергии при ограничениях времени, риска и метаболизма (Pyke и соавт., 1977; Stephens & Krebs, 1986). OFT задаёт не «интуицию дизайнера», а критерий: стратегия устойчива лишь до тех пор, пока ожидаемый выигрыш от продолжения поиска превышает его совокупную стоимость.

Классическая теорема о предельной ценности (Marginal Value Theorem; Charnov, 1976) формализует этот процесс. Согласно MVT, организм должен покинуть текущий «патч» (локальную зону добычи) и переместиться к следующему ровно в тот момент, когда мгновенная скорость извлечения энергии на текущем участке (маргинальная ценность) падает до среднего ожидаемого уровня по всей среде. Математически это выражается как точка касания функции добычи и линии, проведенной из точки, отражающей время на перемещение (transit time). Если расстояние между патчами велико (высокие издержки на поиск), организм будет дольше «дожимать» текущий патч. Если же среда изобилует ресурсами, переключение происходит быстрее. Нельзя бесконечно эксплуатировать истощающийся источник и нельзя хаотично срываться на поиск без расчёта энергетических затрат.

Важный слой методологии — динамика среды и коэволюция. Добыча и укрытия не статичны: тактики избегания, маскировка, смена микролокаций и «обработка» (handling) повышают стоимость привычного приёма хищника (обзоры OFT и predator–prey constraints; см. Stephens & Krebs, 1986). Поэтому устойчивая стратегия почти всегда смешивает эксплуатацию отработанных паттернов с долей исследования — иначе адаптация ресурса обнуляет старый метод. Это универсальная методология организмов в целом, а не частный кейс одного таксона.

В терминах модели: если фуражир перебирает «каждый патч подряд», затраты на поиск и обработку превышают калории добычи (over-exploration). Если он жёстко повторяет один приём на одном типе патча, а ресурс смещается (глубже, в другие укрытия, с иной маскировкой), знакомый метод пустеет (over-exploitation). Отбор поддерживает промежуток: опора на типичные, уже окупившиеся действия плюс регулярные новые пробы, чтобы отслеживать смену тактики среды и добычи.

Перенос в интерфейс: цифровой интерфейс — это современный эквивалент информационной среды (информационное фуражирование, information foraging; Pirolli & Card, 1999), где человек выступает как informavore («информационноядное животное»). В электронной коммерции или поисковой выдаче страница результатов — это локальный «патч», а внимание и нажатия — затраченная энергия. Пользователь быстро сканирует первые результаты (максимальная отдача), после чего плотность релевантной информации неизбежно падает (убывающая отдача, diminishing returns). По законам MVT, как только когнитивные затраты на фильтрацию нерелевантного контента (например, на пятой странице выдачи каталога) превышают ожидаемую пользу, пользователь покидает патч: вводит уточненный запрос или уходит к конкурентам. Интересно, что если сайт загружается медленно (аналог долгого транзитного времени в природе), пользователи парадоксальным образом склонны дольше оставаться на текущей странице, неосознанно компенсируя высокую стоимость перемещения. Без постоянного микро-вознаграждения стратегия поиска застывает, а без типичной структуры интерфейса стоимость взаимодействия становится запретительной.

Механика бесконечной ленты (бесконечная прокрутка) в каталоге маркетплейса или в ленте новостей — прямой инженерный ответ на логику MVT. Пока каждая новая порция карточек поддерживает приемлемый скорость прироста ценности, пользователь продолжает «оставаться в патче». Как только плотность релевантных позиций падает (повторы, шум, слабая персонализация), мозг фиксирует убывающую отдачу и инициирует выход: закрытие вкладки, смену фильтра или переход к конкуренту.

В аналогии для интерфейса те же полюса выглядят так:

• Чрезмерное исследование: на каждом шаге пользователь вынужден изобретать способ действия (скрытые жесты, неочевидные возможности действия, отсутствие стандартов интерфейса). Когнитивная нагрузка зашкаливает, стоимость взаимодействия превышает ценность продукта. В результате наступает истощение (отток). Типичный пример — рекламная посадочная страница с нестандартной навигацией, где даже простой переход к корзине требует обучения.
• Чрезмерная эксплуатация: продукт на 100% шаблонен и предсказуем, или пользователь застрял в одном автоматическом паттерне поведения. Внимание гаснет, бренд не запоминается, а новые функции и возможности просто не регистрируются «спящим» сознанием пользователя. Типичный пример — сводная панель, где год за годом меняются только цифры, но не смысл и иерархия метрик.

На уровне млекопитающих та же методология фуражирования получает глубокую нейробиологическую реализацию: неокортекс позволяет строить сложные пространственно-временные модели среды и прогнозировать распределение ресурсов, а дофаминергическая система тонко регулирует переключение между эксплуатацией известного и исследованием нового.

Центральную роль в координации исследовательского поведения и регуляции восприятия новизны играет дофаминергическая система. В классических работах, обобщенных в монографии «The Molecule of More», дофамин позиционируется не как медиатор непосредственного гедонистического удовольствия (эту функцию выполняют эндорфины и опиоидные пептиды в моменты потребления), а как нейрохимический вектор предвосхищения, неофилии и ориентации на будущие возможности. Дофамин кодирует ценность объектов, находящихся вне зоны немедленного доступа (в дистальном пространстве), побуждая организм преодолевать энергетическую пассивность ради получения новой информации и расширения контроля над средой.

Нейрофизиологическим индикатором, определяющим переключение между эксплуатацией и исследованием, выступает ошибка предсказания вознаграждения (reward prediction error, RPE), вычисляемая дофаминовыми нейронами вентральной области покрышки (VTA) и чёрной субстанции (SNc). Величина RPE математически описывается как разность между фактически полученным подкреплением и его ожидаемой субъективной ценностью:

Когда мозг сталкивается с абсолютно предсказуемым стимулом, ожидания подтверждаются (полученное = ожидаемое), RPE стремится к нулю, и нейроны просто поддерживают стабильную тоническую активность. При обнаружении умеренно нового, неожиданного стимула возникает мощный фазовый выброс дофамина (положительная ошибка предсказания вознаграждения), который маркирует событие как биологически значимое и запускает каскады долговременной синаптической потенциации (LTP), обновляя когнитивную карту животного. Если же ожидаемая награда отсутствует, уровень дофамина резко падает ниже базового уровня (отрицательная ошибка предсказания вознаграждения), что служит дискомфортным сигналом к немедленной смене локации или стратегии.

Экспериментальным подтверждением этого феномена стали классические исследования Вольфрама Шульца (Schultz и соавт., 1997). При первом предъявлении неожиданной награды (капли сладкого сока) у подопытных приматов регистрировался мощный фазовый всплеск активности дофаминовых нейронов. Однако после многократного повторения цикла «условный сигнал (звуковой тон) — подкрепление (сок)» реакция мозга претерпела фундаментальный сдвиг. Дофаминовый спайк в момент получения самого сока полностью затух (сошел до фонового уровня), сместившись во времени на момент включения звукового сигнала. Мозг научился прогнозировать награду: сам по себе известный сок перестал нести когнитивную новизну и больше не требовал синаптической перестройки.

Трансляция этого нейробиологического механизма в проектирование продуктов исчерпывающе объясняет успех алгоритмических лент рекомендаций (подобных алгоритму TikTok, Instagram Reels или YouTube). Алгоритм рекомендательной ленты никогда не предлагает пользователю 100% идеально предсказуемого и однородного контента. Напротив, он жестко эксплуатирует перемежающийся график подкрепления (variable ratio reinforcement schedule). Большинство постов удерживают интерес на минимально допустимом базовом уровне (сохраняя тонический дофамин), но периодически система подкидывает совершенно неожиданный вирусный или сверхинтересный хит. Этот хит генерирует тот самый положительный спайк ошибки предсказания вознаграждения. Если бы каждый ролик в ленте был одинаково великолепным, мозг быстро бы адаптировался: показатель «ожидаемое вознаграждение» сравнялся бы с «полученное вознаграждение», величина ошибки предсказания упала бы до нуля, и наступило бы скучное сенсорное пресыщение (привыкание, habituation), после которого пользователь закрывает приложение. Дозированная ошибка предсказания — это единственное топливо для удержания активного исследовательского поведения.

Тот же механизм работает и в «серьёзных» продуктах. В аналитическом сводной панели положительная ошибка предсказания вознаграждения возникает, когда привычная панель ключевых показателей внезапно подсвечивает аномалию или даёт неожиданно полезный инсайт — при сохранении знакомой сетки и навигации. В сценарии оформления заказа отрицательная ошибка предсказания вознаграждения возникает, если после привычного шага «Оплатить» появляется непредсказуемый редирект, скрытая комиссия или смена структуры формы: ожидание награды (завершение покупки) нарушено, и мозг интерпретирует событие как сигнал покинуть патч. Управление ошибкой предсказания вознаграждения в продукте — это управление разрывом между обещанием интерфейса и фактическим исходом действия.

Регуляция этого баланса в мозге млекопитающих распределена по иерархическому контуру, включающему базальные ганглии (непрерывно вычисляющие матожидание ценности действий), префронтальную кору (рационально оценивающую альтернативные издержки времени на смену патча) и вентральный стриатум (кодирующий долгосрочную ценность исследования принципиально новых областей).

Мозг млекопитающих функционирует в режиме строгого лимита энергетических ресурсов, стремясь максимизировать скорость извлечения ценной информации при минимальных затратах метаболизма на обучение. В когнитивной психологии этот феномен привел к концептуализации «эффекта Златовласки» (Goldilocks Effect): организмы избирательно игнорируют как избыточно простые (полностью предсказуемые) стимулы, так и чрезмерно сложные (похожие на хаос), концентрируя внимание исключительно на объектах промежуточной, умеренной сложности.

Количественные границы этого оптимума были строго выведены в междисциплинарном исследовании Роберта Уилсона и соавторов «The Eighty-Five Percent Rule for Optimal Learning» (2019). Математический аппарат доказывает, что для широкого класса градиентных алгоритмов обучения, которые структурно имитируют синаптическую пластичность и механизмы обучения с подкреплением в мозге, скорость усвоения информации (learning rate) максимизируется при строго определенном уровне сложности задач.

В рамках задачи бинарной классификации субъект принимает решение на основе субъективной переменной решения h, которая является зашумленной репрезентацией объективной сложности стимула Δ:

Вероятность ошибки (частота ошибок, ER) выражается через интегральную функцию стандартного нормального распределения F(x):

где параметр β = 1/σ отражает точность когнитивной репрезентации (уровень текущего мастерства субъекта). По правилу дифференцирования сложной функции, для нахождения экстремума скорости обучения g(Δ) = Δ * p(-βΔ) по переменной сложности Δ берется первая производная, которая приравнивается к нулю:

Подставив оптимальную сложность обратно в уравнение вероятности ошибки, получаем ту самую оптимальную частоту ошибок:

Отсюда математически выводится оптимальная доля успешного выполнения задач, максимизирующая синаптические перестройки:

На практике это правило критически важно при проектировании процессов введения в продукт (onboarding) в сложных продуктах или интерфейсах с высокой кривой обучения (корпоративные облачные продукты, графические редакторы). Если обучающий тур предлагает пользователю серию тривиальных шагов (нажатие очевидных кнопок «Далее», заполнение базового профиля), сложность стремится к нулю, частота ошибок падает до 0%. Мозг не фиксирует ошибки предсказания (ошибка предсказания = 0), пластичность не активируется, и пользователь просто машинально закрывает все подсказки, так ничего и не запомнив. Если же интерфейс с первых секунд вываливает сводную панель с 50 новыми, неизвестными метриками (частота ошибок > 40–50%), мгновенно возникает когнитивная перегрузка (cognitive overload). Запускается стрессовая реакция амигдалы, блокирующая обучающие центры префронтальной коры, и пользователь впадает в фрустрацию. Идеальный сценарий погружения дает пользователю уверенно опереться на 85% уже знакомых ему паттернов (например, стандартная табличная верстка, привычное перетаскивание), дозируя внедрение новых, специфических для продукта механик порциями ровно по 10-15% на шаг. Аналогичным образом выстраиваются кривые сложности (difficulty curves) в видеоиграх: для поддержания состояния потока игрок должен с легкостью преодолевать препятствия примерно в 85% случаев, периодически сталкиваясь с жестким вызовом в оставшихся 15%.

В поиске электронной коммерции правило 85% проявляется иначе: пользователь должен в большинстве случаев быстро находить «достаточно хорошие» результаты по привычным фильтрам и сортировке, а доля «сюрпризов» — релевантных, но не очевидных рекомендаций — оставаться умеренной. Если выдача слишком предсказуема, исследование новых категорий гаснет; если слишком хаотична (шумные фильтры, нестабильное ранжирование), растёт частота «ошибок выбора» и падает доля завершённых покупок. Оптимум снова лежит в узком коридоре: привычная механика поиска плюс дозированная новизна в блоках рекомендаций.

В информационной среде XXI века человек не меняет своей биологической прошивки. Согласно теории информационного фуражирования (Information Foraging Theory) Питера Пиролли, пользователи ведут себя в интернете как «информационные хищники» (informavores). Роль физического ландшафта и укрытий теперь выполняют интерфейсы, а роль добычи — целевые данные, функции или товары. Пользователь непрерывно, хотя и совершенно бессознательно, оценивает локальную скорость приращения выгоды (скорости прироста ценности):

Если структура приложения спроектирована некорректно, стоимость взаимодействия резко возрастает. Скорость получения выгоды падает ниже минимально приемлемого фонового уровня, и пользователь мгновенно покидает страницу, неукоснительно следуя императивам теоремы о предельной ценности (MVT).

Предотвращение критического оттока (churn rate) требует строгого соблюдения баланса типичности и новизны через интеграцию ключевых эргономических принципов, которые напрямую вытекают из биологии поведения:

• Закон Якоба (Jakob's Law): Фундаментальное правило Якоба Нильсена гласит: «Пользователи проводят большую часть времени на других сайтах». Это означает, что их ментальные модели прочно сформированы внешней средой до встречи с вашим продуктом. Использование стандартных паттернов минимизирует когнитивную нагрузку (снижает параметр стоимости). Например, когда финансовый аналитик открывает новый корпоративная сводная панель, его мозг биологически ожидает обнаружить панель навигации слева, систему глобальных фильтров сверху, а ключевые показатели — в виде агрегированных карточек прямо над детальными графиками. Если из соображений мнимой креативности дизайнер решает спрятать навигацию в радиальное меню или разбрасывает фильтры по футеру экрана, когнитивные затраты на фуражирование взлетают до небес. Нарушение закона Якоба вынуждает пользователя тратить жестко ограниченный ресурс рабочей памяти на изучение инструмента как такового, не оставляя ресурса для решения самой бизнес-задачи.
• Принцип MAYA (most advanced yet acceptable): Сформулированный легендарным промышленным дизайнером Реймондом Лоуи, этот принцип де-факто является эквивалентом в проектировании интерфейсов эволюционного баланса исследование–использование. Продукт должен быть настолько инновационным и передовым (исследование / новизна), насколько это вообще способны принять пользователи (использование / типичность), опираясь на свои текущие поведенческие привычки. Радикальные, шоковые переработки интерфейсов (вспомним исторические провалы обновления интерфейса Snapchat в 2018 году или самоубийственная переработка интерфейса платформы Digg v4) часто оборачиваются коммерческой катастрофой именно потому, что одномоментный скачок новизны превышает допустимые 15-20%. Мозг многомиллионной аудитории испытывает жесточайшую неофобию (страх неизвестного, медиируемый амигдалой). Напротив, эволюционный подход технологических гигантов вроде Amazon или Google, которые внедряют изменения незаметными микропорциями (сравнительные тесты вариантов на уровне оттенков и отступов), позволяет непрерывно улучшать интерфейс («наиболее продвинутый»), стабильно оставаясь в безопасной зоне когнитивного комфорта пользователя («всё ещё приемлемый»).

Связка information foraging + Jakob + MAYA особенно наглядна в введении в продукт мобильного приложения. Первые экраны должны опираться на уже знакомые возможности действия (кнопки, прогресс-бар, привычные иконки разрешений), снижая стоимость взаимодействия, а новизну вводить только там, где объясняется уникальная ценность продукта — иначе пользователь «покидает патч» ещё до первой успешной задачи. Аналогично в рекомендательной выдаче интернет-магазина: стандартная сетка карточек и фильтры удерживают типичность, а блок «вам может понравиться» дозирует исследование новых категорий без ломки ментальной модели поиска.

Применение золотого сечения 80/20 в проектировании цифровых продуктов выступает прямым следствием математического оптимума синаптической пластичности (отсылающего к правилу 85%). Не менее 80% структуры и элементов управления интерфейса должны соответствовать жестким стандартам индустрии, тогда как на долю уникальных, инновационных элементов, транслирующих идентичность бренда, должно приходиться не более 20% визуального и интерактивного объема экрана.

Физиологическая потребность в строгом дозировании новизны обусловлена необходимостью преодоления эффекта обратного удара фамильярности (Familiarity Backfire Effect). При 100% шаблонности дизайна мозг рефлекторно запускает биологический механизм подавления при повторении (repetition suppression): нейронные ансамбли коры кратно снижают свою активность в ответ на до боли знакомый стимул для экономии энергии. Внимание переходит в полусонный автоматический режим, пользователь совершает транзакцию на чистом «автопилоте», а сам бренд полностью стирается из эпизодической памяти. Введение 20% контролируемой новизны (например, необычной физической микроанимации подтверждения заказа на сайте или уникальной, слегка ироничной тональности текстов интерфейса) генерирует дозированный сигнал ошибки предсказания вознаграждения, вырывая мозг из сонного автоматизма и надежно фиксируя бренд в памяти потребителя.

В высоконагруженных или стрессовых сценариях (интерфейсы банковских переводов, медицинские системы электронных медкарт, индустриальные пульты управления) цена поведенческой ошибки для пользователя критически высока. В таких условиях мозг находится в режиме жесткой экономии ресурсов и мобилизации. Здесь пропорция обязана смещаться к 95% типичности. Любая интерфейсная неожиданность, будь то забавная анимация загрузки или нестандартный процесс подтверждения операции, интерпретируется системой не как приятный креативный сюрприз, а как когнитивная угроза или фатальный системный сбой.

С другой стороны, в промо-индустрии, на сайтах модных брендов одежды, в цифровом искусстве или развлекательных сервисах (кинотеатры, видеоигры) избыточная утилитарная типичность ведет к мгновенной товарной обезличенности: ваш продукт навсегда сливается с тысячами безликих конкурентов. В таких проектах можно (и нужно) смело сдвигать баланс в сторону 60/40, сознательно повышая когнитивную нагрузку ради достижения мощного эмоционального отклика (так называемого эффекта сильного впечатления) за счет высоких всплесков дофамина, вызванных чистой эстетической новизной.

Для массовой электронной коммерции оптимальная архитектура 80/20 обычно выглядит так: 80% экрана — стандартная шапка, поиск, фильтры, сетка карточек, привычная корзина и оформление заказа; 20% — зона дифференциации (визуальный язык бренда, микроанимации, персонализированные полки, необычная подача отзывов). Если новизну перенести в оформление заказа — например, заменить привычные шаги оплаты экспериментальной схемой — маргинальная ценность «креатива» быстро станет отрицательной: стоимость растёт именно там, где пользователь ожидает максимальную предсказуемость.

В корпоративных сводных панелях та же пропорция реализуется через progressive disclosure: сначала пользователь видит знакомый каркас (навигация, фильтры, таблица), а новые блоки панели, кастомные метрики и нестандартные визуализации появляются порциями по мере освоения. Это удерживает частоту «ошибок ориентации» ближе к 15% и предотвращает одновременный удар по рабочей памяти. Напротив, выкладка всей аналитической сложности на первый экран сдвигает продукт в зону 60/40 даже при визуально «спокойном» оформлении — новизна здесь содержательная, а не декоративная.

Наконец, в лентах рекомендаций пропорция 80/20 описывает не только интерфейс, но и политику контента: большая часть выдачи должна подтверждать модель предпочтений пользователя (эксплуатация), а меньшая — вводить контролируемое исследование смежных тем. Полная эксплуатация приводит к «пузырю фильтра» и сенсорному привыканию; избыточное исследование — к ощущению шума и падению доверия к системе. Устойчивый продукт калибрует долю сюрпризов так, чтобы поддерживать положительные, но умеренные ошибки предсказания вознаграждения без разрушения ментальной модели сервиса.

1. Стандартизация базовой навигационной сетки (Архитектура 80% типичности): Все ключевые транзакционные и навигационные пути должны безукоризненно следовать общепринятым индустриальным стандартам, напрямую реализуя закон Якоба. Кнопки основного действия (главная кнопка действия), системы меню-гамбургеров, строка поиска, иконка корзины, блоки фильтров и сортировки обязаны располагаться в предсказуемых зонах экрана и использовать классические визуальные возможности действия (например, кнопки должны выглядеть как нажимаемые элементы). На уровне базового информационного фуражирования пользователь не должен ни секунды задумываться о том, «как именно» пользоваться интерфейсом. Его когнитивный ресурс должен быть на 100% высвобожден для оценки самой информации, статьи или предлагаемого товара. Любые дизайнерские эксперименты с базовой эргономикой ведут к немедленному падению скорости прироста ценности и мгновенному оттоку. Практический тест: если новый пользователь без обучения находит поиск, корзину и главная кнопка действия за первые секунды — фундамент типичности выдержан.
2. Локализация зон контролируемой новизны (Архитектура 20% новизны): Дизайнерские инновации и нестандартные решения должны внедряться точечно — исключительно в смысловых узлах, зонах принятия решений или передачи уникального ценностного предложения (unique value proposition). Это могут быть роскошные интерактивные 3D-визуализации сложного продукта, нестандартная подача преимуществ на посадочной странице за счет анимации при прокрутке, персонализированные алгоритмические рекомендации в выдаче или продуманные микроанимации, бережно сопровождающие успешное завершение сложной формы оплаты. Каждое проявление новизны должно служить одной четкой цели: генерировать умеренный дофаминовый отклик (положительная ошибка предсказания вознаграждения), который закрепит эмоционально положительную ассоциацию с брендом, ни в коем случае не нарушая при этом критически важный путь пользователя. Правило локализации: новизна на карточке товара допустима; новизна в шагах оплаты — почти всегда вредна.
3. Учет возрастной и контекстной специфики целевой аудитории: Допустимый объем интерфейсной новизны не является константой; он должен динамически калиброваться под когнитивный профиль аудитории. С возрастом у человека происходит естественное физиологическое снижение подвижного интеллекта (fluid intelligence) и скорости адаптации к новой информации, при этом кристаллизованный интеллект (накопленный жизненный опыт и паттерны) сохраняется в полном объеме. Поэтому для возрастных аудиторий (или для любых пользователей в состоянии острого стресса и цейтнота) интерфейс должен быть предельно консервативным — до 90–95% типичности. Напротив, молодая аудитория (поколение Z и Alpha) обладает высочайшей скоростью перестройки нейронных связей и крайне быстро достигает скуки и сенсорного пресыщения. Для них классические, сухие интерфейсы моментально становятся «устаревшими», что требует осознанного смещения баланса новизны до 25–30% (динамические смены слоев, геймификация, постоянные визуальные обновления контента) для активного предотвращения оттока.
4. Операционализация метрик исследование–использование в продукте: Теоретические конструкции следует переводить в наблюдаемые показатели. Для информационного фуражирования это время до первой успешной находки, глубина просмотра выдачи до ухода, доля повторных поисков и показатель отказов. Для ошибки предсказания вознаграждения — частота «сюрпризов» в ленте, доля нажатий по рекомендациям и динамика удержания после изменений ранжирования. Для правила 85% — доля успешных первых попыток в введении в продукт и частота ошибок на ключевых шагах. Если метрики показывают одновременно рост ошибок и падение удержания, продукт, скорее всего, вышел за допустимую долю новизны.

Итоговое положение статьи можно сформулировать так: цифровой интерфейс — это не нейтральная «обёртка» над функцией, а среда фуражирования, в которой мозг непрерывно решает задачу исследование–использование. OFT и MVT объясняют, когда пользователь покидает страницу; дофамин и ошибка предсказания вознаграждения — почему внимание удерживается или гаснет; правило 85% — какой уровень сложности оптимален для обучения; закон Якоба и MAYA — как распределить типичность и новизну по экрану. Пропорция порядка 80/20 (с поправкой на риск и аудиторию) выступает инженерным приближением к этому биологическому оптимуму.