纸卡还是屏幕？卡片分类的媒介该怎么选

客户要重做一本 120 页的产品画册，顺便把官网菜单一起翻新。你提议先做一轮卡片分类（card sorting），把品类名称写成卡片让内部销售与经销商去分堆，先搞清楚“他们脑中的分类”跟“公司内部的物料编码逻辑”差多远

问题马上来了：测试者分散在三个城市，有人愿意来公司、有人只能在线参与。你要为了统一媒介，硬把所有人拉到同一张桌子上？还是一半纸卡、一半在线工具，混着收集？

这不是行政问题，是方法问题。媒介会不会影响分类结果本身，决定了你能不能把两批数据合在一起分析。以下用四个实操问题，把选择条件拆开讲

差异确实存在，但还没大到让其中一种变成错误的方法，这是目前对比研究所给出的方向。一项系统性对比电脑化与纸质卡片分类执行形式的研究，正是针对这个疑问设计的，其分析焦点在于两种媒介产出的分类结果是否可视为等价 [1]

从实操层面看，差异主要不在于“分得对不对”，而在于“分类过程是什么样的”：

・一百张纸卡摊在桌上，测试者用余光就能扫到还没归位的那几张，随时可以把已成形的那堆再拆开

・数字工具受限于滚动、分页与拖拽范围，测试者倾向于把先看到的卡片先安置好，后面的卡片直接往已建好的堆里塞

具体来说，纸卡场次容易生长出“意料之外的第三类”，数字场次则倾向于收敛为少数几个大类；在探索未知结构时纸卡更占优势，验证已有结构时数字工具足够好用且成本更低

判断标准是研究目的，而不是预算或测试者所在地。先把问题归入两个维度：

选择纸卡的场景

・开放式（open sort），你自己也还不确定该划分出几个类别

・测试者需要边分边说（出声思考，think-aloud），你要的是他们的犹豫与反复调整，而不只是最终结果

・卡片内容需要触觉线索：纸张的克重、触感、印后工艺样品本身就是被分类的对象。此时“卡片”不是信息载体，而是产品本身，数字化会直接抹杀测试变量

・样本量较小（10–15 人），你打算做定性阐释而非统计聚类

选择数字工具的场景

・封闭式（closed sort），类别已定，你要验证条目的归属关系

・测试者分布分散、样本量需要扩大到 30 人以上进行统计分析

・你需要完整的逐步操作记录（每张卡片移动了几次、犹豫了多久），这类数据在纸卡场次中除非全程录像，否则根本拿不到

画册的那个项目，合理的做法是：先用纸卡跑 8–10 位内部销售与资深经销商，把候选架构梳理出来；再用数字工具做封闭式分类跑 40 位以上的外部客户，验证这套架构在真实用户身上是否立得住。两阶段、两套媒介、两种目的，而不是把两批数据混在一起

最大的风险不在于效度，而在于你把媒介差异误读成了测试者差异

如果纸卡组整理出了七个类别，而数字组只形成了四个，你根本无法分辨这究竟是“两群人的心智模型不同”，还是“两种媒介的操作成本不同”。混合收集数据时，媒介变成了未受控的变量，而它偏偏又跟你想观察的变量纠缠在一起

务实的操作有三个层次：

1. 最好不要混用。一轮研究内必须统一媒介

2. 非混不可时，把媒介记录为一个字段。 分析阶段先分层查看，确认两组结构相近后，再考虑合并

3. 报告中明确注明媒介构成。 这是可复现性的基本要求，也是日后他人引用你的结论时应当清楚的适用边界

这里值得顺带厘清一个常见的术语混淆：数据分析软件里的“sorting data / selecting cases”是指对已建好的数据集进行排序与个案筛选 [2][3]，属于分析阶段的操作；而设计研究中的 card sorting 则是生成分类结构的数据采集方法 [1]。两者虽都叫 sorting，但一个发生在数据生成之前，一个发生在之后。跨领域检索文献时如果混用关键词，会检索出大量毫不相干的结果

有，而且集中在一个核心前提：当被分类的对象本身具备物理实体属性（物质性）时

一套纸样、一组印后工艺样品（烫金、击凸、局部UV）、一批不同克重的名片，测试者分堆的依据包含了手感、厚度、反光与纸张清脆声。这些物理属性无法被屏幕化呈现——不是“呈现得不够好”，而是根本不在数字媒介的传递范围之内。若要研究客户在心中如何对纸张材质进行归类，纸卡不是备选项之一，而是唯一选项

第二个场景是决策场景本身就位于实体物理空间。展厅动线、商超货架、画册跨页的翻阅顺序，这些任务的空间结构与桌面摊开卡片的空间结构同构，纸卡的模拟保真度更高

反过来说，如果你分类的是纯信息对象——页面标题、功能名称、文章标签，物理实体属性并未参与决策判断，数字工具在成本、规模和数据完整度上都占据绝对优势，此时若仍坚持用纸卡，就是把仪式感当成了方法论

项目启动时就把三件事写进研究计划，而不是拖到执行前一周才匆忙决定：

・研究目的是探索还是验证，决定采用 open 还是 closed sort

・被分类对象是否具备物理实体属性，决定纸卡是否不可替代

・样本规模与分析方法是定性阐释还是统计聚类，决定媒介选择与场次数量

三个条件对齐之后，媒介选择通常只剩下一个合理答案，无需再反复争论

适用边界：以上判断标准基于一个假设——你的测试者对两种媒介都没有明显的操作障碍。如果测试人群对数字工具的熟悉程度差异巨大（例如跨越了资深车间师傅与年轻营销人员），数字场次的操作负担本身就会污染测试结果。此时即使研究目的偏向验证，也应优先采用纸卡或提供现场协助，并在报告中说明这一调整。同样，在跨语种或跨文化的研究中，媒介之外的变量影响可能远大于媒介本身，本文的判据也需要重新校准

纸质与数字卡片分类的差异主要体现在过程与可见视野，而非结果本身的对错；现有研究已将两者视为可相互参照对照的方法 [1]

探索未知分类结构时优先使用纸卡，验证既有结构时数字工具完全够用且成本更低

被分类对象若具备触感、克重、印后工艺等物理属性，纸卡无法被数字媒介所取代

同一轮研究内应统一媒介；非混用不可时，必须将媒介记录为分析字段并进行分层检验

设计研究中的 card sorting 与统计软件中的 sorting/selecting cases 属于不同阶段的操作，文献检索时切勿混用关键词 [1][2][3]

对印刷制造端而言，卡片分类的媒介选择提醒了一件常被忽略的事：纸样与工艺样册本身就是研究工具，而不只是报价时的附带样品。如果能把样册设计成可拆卸、可自由分堆的形式，就等于把客户心中的分类逻辑显性化呈现，这对后续的产品线规划与画册目录结构具有直接价值。对设计端而言，两阶段（纸卡探索 → 数字验证）的分工提供了一套成本可控的标准流程，避免把定性研究方法生搬硬套进统计预期中。AI 落地的机会点则在于数字场次的过程数据：拖拽轨迹、犹豫时长、反复修改次数，这些行为信号目前大多被直接丢弃，若能结构化留存，将是聚类模型难得的高质量输入。SaaS 端的待解痛点则十分清晰：现有的卡片分类工具几乎都只记录最终结果，缺乏对过程行为的完整捕获，也不具备处理混合媒介数据的分层分析能力。谁能率先把“将媒介作为受控变量”做进产品中，谁就补齐了这套方法目前最大的短板

[1] Goetz（2114）. Different or alike? Comparing computer-based and paper-based card sorting. International Journal of Strategic Innovative Marketing. DOI: 10.15556/ijsim.01.01.003

[2] 数据排序与个案筛选. Data Analysis Using SAS Enterprise Guide. DOI: 10.1017/cbo9780511804786.006

[3] 个案筛选、排序与加权. Applied Statistics with SPSS. DOI: 10.4135/9781446249390.n10