返回作品列表

App 介面設計 · 2026

蓋博符號

為短時間蓋博符號視覺訓練設計的行動 App 概念。

角色

獨立完成 UI 設計、互動流程與前端原型實作

成果

設計從教學、任務到紀錄的流程,讓使用者知道怎麼開始、怎麼完成一次訓練,以及如何回顧結果。

工具與技術

Figma · Nuxt 4 · Vue 3 · Tailwind CSS · Supabase · Capacitor · Canvas API · GSAP

Gabor Patch App Interface Preview

專案定位

把研究型視覺任務轉成容易進入的 App 體驗

蓋博符號辨識如果直接做成實驗畫面,第一次使用的人會很難進入。因此我把它整理成比較像 App 的流程:先理解任務、進入準備、完成題目,再查看結果。

角色與範圍

負責 UI 設計、任務互動與前端實作

我負責規劃流程、在 Figma 設計手機介面,並用 Nuxt 4 做出可操作的原型。這個專案重點是讓訓練流程清楚、可使用,不是用來證明醫療或臨床成效。

問題背景

視覺訓練若缺乏回饋,容易變得抽象

這個任務要使用者辨識細微的角度差異,但真正的 UX 問題更基本:使用者可能不知道該看哪裡、不知道還剩幾題,也不知道最後分數代表什麼。

設計目標

讓任務精準、平靜且可重複

我的目標是保留任務的精準度,但讓整個 App 更容易跟著操作。畫面不能干擾符號本身,回饋要清楚但不能太吵,紀錄也要讓使用者下次回來時看得懂。

互動洞察

降低感知任務周圍的視覺噪音

任務的主角應該是蓋博符號本身。所以我讓指令、進度與回饋保持可見,但不要太搶眼,避免把注意力從題目上拉走。

困難與取捨

在精準渲染與 App 化互動之間取得平衡

比較難的地方是平衡「符號要準確」和「App 要好用」。我用 Canvas 處理蓋博符號,但沒有把任務畫面做得太像遊戲。獎勵、音效和完成回饋都保持輕量,讓使用者仍然專注在題目上。

關鍵設計決策

圍繞訓練循環設計,而不只設計任務畫面

  • 在任務網格前後補上必要步驟,避免使用者一進來就面對看不懂的畫面。
  • 任務畫面維持簡單,只保留題目、進度、符號和回饋這幾個重點。
  • 結合 Supabase 與 LocalStorage 持久化,讓進度能同時支援登入同步與裝置本機使用情境。

主要畫面展示

用專注任務網格支援細微視覺辨識

這些畫面呈現 App 如何說明任務、讓訓練畫面保持專注,以及讓使用者在完成後回顧進度。

Gabor Patch 教學畫面,說明科學原理與如何觀察蓋博符號。
教學:在使用者開始答題前,先說明他們需要觀察什麼。
桌機版 Gabor Patch 任務網格,包含多個模糊蓋博符號與進度指示。
任務網格:讓符號保持清楚且容易點選,旁邊保留進度與回饋。
桌機版紀錄畫面,呈現連續達成天數、日曆與訓練統計。
訓練紀錄:用連續達成、日曆狀態與基本統計,讓使用者回顧過去的練習。

行動 App 案例

為短時間每日訓練設計的流程

這個 App 是為短時間每日練習設計的。使用者從每日目標開始,進入任務、完成訓練,想回顧時再查看紀錄。

  • 簡潔的進度模型協助使用者理解本次訓練還剩多少任務。
  • 設定與音效控制讓體驗能適應不同練習環境。
手機版 Gabor Patch 任務網格,包含進度條與觸控友善的符號目標。
手機任務:使用較大的觸控目標,讓使用者在手機上也容易完成任務。
手機版紀錄畫面,包含連續達成天數、月曆與訓練統計。
手機紀錄:將月曆與統計垂直排列,讓進度仍然容易掃讀。
手機版個人資料畫面,呈現使用者等級、經驗值與成就徽章。
個人資料:用等級、XP 與徽章,作為持續練習的小型回饋。

前端原型案例

為視覺刺激設計重視效能的互動

我做出可操作原型,不只停留在靜態畫面。這讓我可以檢查完整訓練流程中的進度、分數、回饋、紀錄儲存與休息計時。

  • Canvas 渲染讓符號生成維持可控制性,並避免不必要的 UI 層負擔。
  • Capacitor 架構讓同一套產品流程可延伸到 iOS 封裝與 OAuth deep link 登入情境。
桌機版休息計時畫面,包含倒數文字與多層藍色波浪動畫。
休息計時:在專注訓練後,提供一個比較平靜的收尾狀態。
成果與原型檢查

這個專案不宣稱臨床成效。我主要從產品體驗角度檢查原型:使用者是否能理解任務、看懂進度、完成一次訓練,並在切換畫面後保留紀錄。

8 個路由
串成一套 App 流程
60 FPS 目標
Canvas 符號渲染目標
行動優先
檢查文字可讀性與觸控操作

反思與下一步

下一版應讓訓練進步更容易理解

目前原型已經有主要任務流程。下一步會先讓紀錄頁更好懂,讓使用者知道分數、連續練習與難度變化代表什麼。

  • 第一步,在紀錄頁更清楚說明準確率、連續達標與難度變化。
  • 第二步,檢查不同螢幕亮度與深色模式下,任務是否仍然舒適。
  • 第三步,如果之後訓練模型更進階,再讓難度變化更容易理解。