郭主恩，林 麗,+，陽明慶，張云鹍

(1.貴州大學(xué) 機械工程學(xué)院，貴州 貴陽 550025;2.貴州大學(xué) 現(xiàn)代制造技術(shù)教育部重點實驗室，貴州 貴陽 550025)

0 引言

設(shè)計與創(chuàng)新是當(dāng)前時代的主題[1]。而在工業(yè)設(shè)計領(lǐng)域，傳統(tǒng)的工業(yè)設(shè)計創(chuàng)新產(chǎn)品必須進行不斷的試錯才能得到最終的產(chǎn)品，設(shè)計周期較長[2]。并且，傳統(tǒng)方式設(shè)計師多從自身角度出發(fā)或建立主觀性的用戶調(diào)查[3]，未能很好地站在用戶心理需求視角開展設(shè)計和創(chuàng)新。近年來，隨著感性工學(xué)理論的提出，設(shè)計師可通過獲取用戶對產(chǎn)品的意象需求[4]，全面地了解消費者的喜好，該理論已成為目前用戶驅(qū)動產(chǎn)品設(shè)計創(chuàng)新的主要方式[5-6]。用戶需求是企業(yè)進行產(chǎn)品開發(fā)的依據(jù)，是市場營銷決策的基礎(chǔ)[6]，從用戶需求出發(fā)，已成為企業(yè)成長的重要驅(qū)動力，并可顯著縮短設(shè)計周期和提高產(chǎn)品用戶價值[7]。因此，在設(shè)計創(chuàng)新過程中，有效地獲取用戶對產(chǎn)品造型設(shè)計的意象需求，決定著產(chǎn)品創(chuàng)新優(yōu)化的方向和最終所呈現(xiàn)的創(chuàng)新內(nèi)容，并最終影響著消費者的購買欲望和滿意度[8]。本文從感性工學(xué)理論出發(fā)，提出基于內(nèi)隱聯(lián)想測驗(Implicit Association Test, IAT)手段與多模態(tài)內(nèi)隱測量(Multi-modal Implicit Measurement Method, MIMM)技術(shù)相結(jié)合的無意識多模態(tài)內(nèi)隱測量(IAT-MIMM)意象提取方法，實現(xiàn)用戶客觀意象信息的提取。從產(chǎn)品設(shè)計視角進一步提升滿意度，對企業(yè)創(chuàng)新競爭優(yōu)勢打造具有積極作用。

在產(chǎn)品感性意象造型優(yōu)化設(shè)計研究中，意象提取不僅可以獲取產(chǎn)品所表達(dá)出的意象語意，還能反映出消費者對產(chǎn)品的喜好，為產(chǎn)品的造型優(yōu)化設(shè)計提供需求來源和設(shè)計方向[9]。國內(nèi)外學(xué)者主要通過外顯測量方法(Explicit Measurement Method, EMM)和內(nèi)隱測量方法(Implicit Measurement Method, IMM)[10]兩種方式對意象進行提取，前者通過心理測量獲取用戶對產(chǎn)品的意象認(rèn)知，后者主要采用腦電信號、眼球運動等生理指標(biāo)的變化間接獲取意象認(rèn)知[11]。

通過心理測量方法獲取用戶的產(chǎn)品意象認(rèn)知研究[12-14]，主要基于調(diào)查問卷[15]、小組訪談[16]、頭腦風(fēng)暴[17]、語義差異[18]而開展，這些手法操作簡單，分析快捷，但只能分析用戶認(rèn)知過程的外顯性行為表現(xiàn)[19]，即用戶的理性行為、言語行為、選擇行為等主觀可控的意識行為表現(xiàn)[20]。用戶經(jīng)過主觀意識處理后所表現(xiàn)出的外顯行為，易受外界干擾，導(dǎo)致用戶降低表達(dá)內(nèi)心真實意識的準(zhǔn)確度。即使用戶希望表達(dá)真實的意識想法，但受到經(jīng)驗、知識水平等影響，所表現(xiàn)出的外顯行為無法被真實意識所支配?；谠搯栴}，研究者們嘗試使用眼動、腦電等內(nèi)隱測量技術(shù)進行產(chǎn)品感性意象的相關(guān)研究[21-24]?；趦?nèi)隱測量技術(shù)，學(xué)者通過腦電、眼動或者腦電—眼動結(jié)合的方式分析用戶的認(rèn)知行為，在一定程度上減少了外顯測量方法的主觀性影響，并可以獲得較為準(zhǔn)確的意象數(shù)據(jù)。但是，隨著產(chǎn)品設(shè)計的多樣化，以及產(chǎn)品作為刺激材料喚醒度較低、被試的情緒波動較小，易導(dǎo)致相應(yīng)的生理信號缺失[11]，從單一技術(shù)分析或者腦電聯(lián)合眼動分析，各內(nèi)隱數(shù)據(jù)間無法相互驗證和比較，從而降低異常數(shù)據(jù)的發(fā)現(xiàn)能力，影響結(jié)果的可信度。因此，在當(dāng)今日益變化的消費市場下，傳統(tǒng)手段獲取用戶對產(chǎn)品客觀的認(rèn)知意象已難以滿足設(shè)計的需求。

與傳統(tǒng)外顯方法和單一內(nèi)隱測量技術(shù)相比，IAT-MIMM方法將從人類的無意識認(rèn)知過程出發(fā)，減少外顯測量方法用戶的主觀性，并且可以減少單一內(nèi)隱測量方法結(jié)果的不可靠性和不可對比性。因此，本文將在傳統(tǒng)內(nèi)隱測量技術(shù)的基礎(chǔ)上，聯(lián)合內(nèi)隱聯(lián)想測驗，建立基于無意識多模態(tài)內(nèi)隱測量的產(chǎn)品意象提取模型。其中，無意識多模態(tài)內(nèi)隱測量的方法，即通過眼動聯(lián)合腦電的多模態(tài)內(nèi)隱測量技術(shù)(MIMM)結(jié)合內(nèi)隱聯(lián)想測驗手段(IAT)，將用戶內(nèi)在的非主觀無意識行為外顯及表征的一種測量方法。本文將眼動測試中可表征加工策略的眼動數(shù)據(jù)[25]、腦電測試中反映用戶情感的腦電數(shù)據(jù)[26]和內(nèi)隱聯(lián)想測驗中的用戶判定過程時長[27]等內(nèi)隱測量數(shù)據(jù)，與內(nèi)隱聯(lián)想測驗中用戶的無意識判定數(shù)據(jù)進行結(jié)合和比較，獲得可互相驗證與對比的內(nèi)隱測量指標(biāo)，以提高意象提取模型的可靠性。結(jié)果表明，與EMM和IMM意象提取相比，IAT-MIMM意象提取模型基于各內(nèi)隱測量數(shù)據(jù)的互相驗證，將可反映用戶的認(rèn)知策略、加工過程和情感反應(yīng)的數(shù)據(jù)結(jié)合，無需動用大量的人力進行外顯性方法的測量，使意象提取結(jié)果更好地反映用戶非主觀意識狀態(tài)下的情感需求，為設(shè)計師提供客觀的意象測量手段。

1 基于IAT-MIMM意象提取模型構(gòu)建方法

本文結(jié)合腦視覺認(rèn)知內(nèi)隱性測量技術(shù)的優(yōu)勢，分析用戶在評價過程中的非主觀意識認(rèn)知，建立基于無意識的IAT-MIMM意象提取模型。意象提取模型的構(gòu)建方法如圖1所示，主要通過3個過程實現(xiàn)：①基于IAT-MIMM認(rèn)知實驗；②IAT-MIMM主數(shù)據(jù)分析篩選；③IAT-MIMM意象提取模型建立。

1.1 IAT-MIMM認(rèn)知數(shù)據(jù)集的建立

IAT-MIMM認(rèn)知數(shù)據(jù)集的建立是基于實驗樣本和意象詞匯的意象語意空間，選取意象詞匯作為實驗變量，獲取樣本對象在意象詞匯下的意象值，所選形容詞必須能從不同層面描述對象認(rèn)知特性[28]。認(rèn)知數(shù)據(jù)集建立的具體步驟如下：

(1)在有關(guān)書籍、網(wǎng)站等資料中收集樣本圖片；

(2)基于樣本的篩選依據(jù)，篩選樣本圖片，建立樣本圖片集U={1，2，3，…，u}；

(3)在有關(guān)書籍、網(wǎng)站等資料中收集樣本評論及介紹，對文本篩選歸類，建立產(chǎn)品意象集S={1，2，3，…，s}；

(4)以產(chǎn)品意象詞匯作為變量，制定調(diào)查問卷，獲取各樣本在意象語意下的意象值V，建立基于樣本和意象的認(rèn)知數(shù)據(jù)集。

1.2 IS樣本的篩選

為減少主觀因素對感性評價結(jié)果的影響，通過GUO等[29]提出的標(biāo)志性樣本(Iconic Sample, IS)篩選方法，對案例樣本再次分類，獲取標(biāo)志性樣本。對樣本在某一意象值進行分析，設(shè)置參數(shù)k1、k2，獲得符合該意象、不符合該意象及中性的3類樣本集S1、S2和S3，如式(1)所示：

(1)

再次建立調(diào)查問卷，以3點語義差異量表設(shè)計調(diào)查，其中3點分別為該意象、對立意象與中性3種信息。根據(jù)每個樣本的歸類結(jié)果，獲得3類樣本語意集T1、T2和T3。將調(diào)查數(shù)據(jù)與分類數(shù)據(jù)比較，篩選掉兩者不匹配的樣本信息，如圖2所示，同時獲得標(biāo)志性實驗樣本集T如式(2)所示：

(2)

1.3 IAT-MIMM認(rèn)知實驗

以實驗樣本T和意象語意S進行無意識IAT-MIMM認(rèn)知實驗。實驗過程中被試Mm將根據(jù)所展示的樣本圖片t判定是否符合所對應(yīng)的意象詞匯Ss，同時利用腦電測量設(shè)備記錄實驗過程中的腦電變化、眼動測量設(shè)備記錄眼球在實驗過程中的數(shù)據(jù)信息，以及內(nèi)隱聯(lián)想測驗軟件記錄判定數(shù)據(jù)與反應(yīng)時數(shù)據(jù)。其主要實驗過程如圖3所示。

1.4 IAT-MIMM主數(shù)據(jù)篩選

為減少粗大誤差對數(shù)據(jù)的影響，對各被試的內(nèi)隱測量數(shù)據(jù)進行分析，通過拉依達(dá)準(zhǔn)則(3)和判定公式(4)篩選并剔除粗大誤差數(shù)據(jù)，以此獲得更加可靠的內(nèi)隱測量數(shù)據(jù)。

(3)

(4)

為增加各數(shù)據(jù)的可比性與統(tǒng)一性，降低被試之間在各類數(shù)據(jù)上的差異，將各內(nèi)隱測量數(shù)據(jù)歸一化處理。以各被試自身數(shù)據(jù)為基準(zhǔn)，通過式(5)將被試的各內(nèi)隱測量數(shù)據(jù)統(tǒng)一歸一化為[0,1]區(qū)間值。

(5)

式中：f為原始數(shù)據(jù);F為換算后的數(shù)據(jù);fmin為該數(shù)據(jù)的最小值;fmax為該數(shù)據(jù)的最大值。

將換算后的內(nèi)隱測量數(shù)據(jù)進行關(guān)系分析和單因素分析，獲得各樣本的內(nèi)隱測量數(shù)據(jù)與各樣本的判定數(shù)據(jù)的關(guān)聯(lián)，篩選各內(nèi)隱測量實驗的數(shù)據(jù)指標(biāo)作為主數(shù)據(jù)。定義篩選后的腦電數(shù)據(jù)指標(biāo)B={B1,B2,B3,…,Bμ}，眼動指標(biāo)E={E1,E2,E3,…,Eφ}，內(nèi)隱聯(lián)想測驗指標(biāo)I={I1,I2,I3,…,Iτ}。在內(nèi)隱測量實驗中，第m個被試對第t個樣本圖片的生理指標(biāo)數(shù)據(jù)可表示為(Mm,tt,B,E,I)，則被試的認(rèn)知空間矩陣

(6)

1.5 主數(shù)據(jù)擬合處理

由式(5)可知，所有主數(shù)據(jù)已歸一化處理為[0,1]區(qū)間值。定義F代表各內(nèi)隱測量數(shù)據(jù)，且共有x個指標(biāo)。因此，第m個被試觀察到所有樣本的內(nèi)隱測量數(shù)據(jù)可表示為：

G=[rm1(Fx),rm2(Fx),rm3(Fx),…,rmu(Fx)],

(7)

對于相同的內(nèi)隱測量指標(biāo)，所有被試觀察到第t個樣本在各意象下的內(nèi)隱測量數(shù)據(jù)的平均值可表示為:

(8)

其中m=1,2,3,…,M。

將用戶的判定數(shù)據(jù)進行換算，由于判定只會出現(xiàn)兩種情況，即符合與不符合，定義判定符合的數(shù)值為1，不符合的數(shù)值為0，則第m個被試觀察到所有樣本的判定數(shù)據(jù)可表示為：

H=[hm1(0,1),hm2(0,1),hm3(0,1),…,

hmt(0,1)],

(9)

所有被試觀察到第t個樣本在意象詞匯s下的判定平均值可表示為:

(10)

以各樣本判定數(shù)據(jù)和不同內(nèi)隱測量數(shù)據(jù)進行列表分析，并以樣本在意象與相對意象下的判定平均值求和，如式(11)所示。

Gt(Fx)=rt(Fx)′+rt(Fx)″。

(11)

根據(jù)樣本在相對意象下的求和結(jié)果，建立各內(nèi)隱指標(biāo)在意象值下的趨勢關(guān)系圖。對趨勢關(guān)系進行圖像分析，建立函數(shù)模型進行擬合，換算得到相應(yīng)的內(nèi)隱數(shù)值，具體表達(dá)式如式(12)所示：

(12)

1.6 基于線性回歸的IAT-MIMM意象提取理論模型構(gòu)建

為更好地將各換算后的內(nèi)隱測量數(shù)值進行關(guān)聯(lián)與比較，需將映射換算后的內(nèi)隱測量各指標(biāo)依據(jù)式(5)再次換算，得到各映射指標(biāo)在[0,1]的換算值。將最終換算值中的腦電測量指標(biāo)集合Bts、眼動測量指標(biāo)集合Ets、內(nèi)隱聯(lián)想測驗指標(biāo)集合Its(ts代表樣本T在意象詞匯S下時的數(shù)據(jù))與意象值Vts(樣本T在意象詞匯S下的意象值)線性加權(quán)融合，建立多元線性回歸關(guān)系，如式(13)所示。通過數(shù)據(jù)的分析和代入，獲得各指標(biāo)系數(shù)數(shù)值和常數(shù)項數(shù)值，得到意象提取模型函數(shù)。

(13)

其中：θ為常數(shù)項;b、e、i為各內(nèi)隱測量指標(biāo)權(quán)重系數(shù);μ、ε、τ為各內(nèi)隱測量數(shù)據(jù)指標(biāo)。

2 基于案例的方法驗證

無人機產(chǎn)品從起初的軍用到現(xiàn)在的民用，消費級無人機已開始普及，但是作為新興的消費級產(chǎn)品，無人機的意象研究較少。本文以無人機的功能作為篩選的依據(jù)，選擇以航拍娛樂為主要功能的消費級無人機圖片為實驗樣本，驗證模型的可行性。實驗主要通過3個步驟進行，采集樣本及意象語意，并建立意象語意集，IS樣本的篩選基于IAT-MIMM方法的認(rèn)知映射實驗。

步驟1樣本及意象的篩選。

互聯(lián)網(wǎng)的廣泛應(yīng)用，使得電商網(wǎng)站的數(shù)據(jù)可以真實地反映現(xiàn)今消費者可以購買到的所有消費級無人機產(chǎn)品。通過Python爬蟲，實驗人員從綜合類電商網(wǎng)站“天貓”上獲取了25 968張與無人機有關(guān)的圖片。實驗人員通過感知哈希算法將圖片進行相似度篩選，刪減相似度較高的樣本圖片，由具有設(shè)計背景的人員組成專家小組(7名工業(yè)設(shè)計專業(yè)研究生、3名工業(yè)設(shè)計專業(yè)老師)，排除軍用無人機、農(nóng)業(yè)植保無人機等非消費級無人機，篩選出66張娛樂航拍功能為主的代表性樣本圖片，如圖4所示。為減少品牌效應(yīng)對用戶的影響，篩選后的樣本圖片統(tǒng)一除去LOGO等因素，并保證每幅圖片所占畫面整體比例保持一致，背景統(tǒng)一化處理，減少無關(guān)要素的影響。

實驗人員在獲取無人機圖片數(shù)據(jù)的同時，爬取無人機銷售評論，這類評論數(shù)據(jù)可以充分代表用戶消費后真實的評價感受，數(shù)據(jù)具有真實、大量以及客觀的特點。利用數(shù)據(jù)處理軟件MATLAB，將評論語句分詞，選擇詞頻前200的形容詞。焦點小組對形容詞進行初步篩選，去除“便宜”、“敬業(yè)”等與無人機無關(guān)聯(lián)的詞匯，篩選出符合條件的73個形容詞。通過SPSS軟件進行因子分析，得到了7組分類結(jié)果。根據(jù)詞匯意義總結(jié)出7對意象形容詞組：輕盈—笨重、傳統(tǒng)—前沿、硬朗—柔和、簡單—復(fù)雜、獨特—普通、穩(wěn)重—活潑、堅固—脆弱。

步驟2建立認(rèn)知意象語意集。

對處理后的66張無人機樣本圖片進行問卷調(diào)查，問卷基于5點李克特量表設(shè)計，將對7對意象詞匯進行維度評價。調(diào)查問卷通過網(wǎng)絡(luò)發(fā)放300份，回收215份。對被調(diào)查人員的情況進行分類分析統(tǒng)計，結(jié)果顯示自身年齡及教育水平對評價的影響較大，其他變量的影響差異在0.1分以內(nèi)?？紤]到無人機為新興產(chǎn)品，自身年齡以及教育水平對購買、意向購買及了解無人機產(chǎn)品有顯著影響，排除年齡在50歲以上且不曾購買、無意向購買及不了解無人機產(chǎn)品的被試數(shù)據(jù)，獲得209份有效數(shù)據(jù)。經(jīng)過感性評價數(shù)據(jù)的收集、分析、排除，得到各無人機樣本的不同意象詞組的平均值V。

步驟3認(rèn)知標(biāo)志性樣本的篩選。

對樣本按照各意象值大小排列，各維度下分為3類，每類22張樣本圖片。以“輕盈—笨重”為例，根據(jù)式(1)，按照意象值大小分為“輕盈”、“笨重”和“中性”3類。重新調(diào)查分析樣本，此階段的評價將以3點語義差異表示，即“輕盈”、“笨重”與“中性”，問卷在校園內(nèi)隨機選擇20名同學(xué)進行調(diào)查，調(diào)查結(jié)果如圖5所示。得到數(shù)據(jù)后，依據(jù)式(2)，排除與分類結(jié)果不匹配的樣本，即在“輕盈”屬性類的樣本中此次調(diào)查如選擇了“中性”或者“笨重”，樣本將會被排除，以保證每個樣本都確切符合所評價的意象。排除兩個調(diào)查階段不相符的樣本，得到理想狀態(tài)下的標(biāo)志性樣本，即“輕盈”意象評價無人機5個、“笨重”意象評價無人機6個、“中性”意象評價無人機4個。

步驟4基于IAT-MIMM認(rèn)知映射實驗。

以“輕盈—笨重”意象維度為例，將篩選的15個標(biāo)志性樣本進行內(nèi)隱測量實驗。每個樣本對應(yīng)一個詞匯，即“輕盈”或“笨重”，并建立樣本與意象詞匯的兩種匹配狀態(tài)，即符合與不符合兩種匹配情況，因此內(nèi)隱測量實驗將會有30種實驗情況。本次實驗招募了21名具有設(shè)計背景的工業(yè)設(shè)計學(xué)生作為被試，每名被試具有感性工學(xué)知識背景，了解意象語意評價，并具有良好的認(rèn)知能力，年齡均在20～25歲之間，視力正常(無近視情況，減少佩戴眼鏡時對眼動實驗數(shù)據(jù)的影響)，可以進行有關(guān)的內(nèi)隱聯(lián)想測驗、眼動實驗以及腦電實驗。

內(nèi)隱測量實驗利用心理操作軟件EPRIME-2進行編程；使用SMI-RED桌面遙測式眼動儀測量用戶的眼動數(shù)據(jù)；腦電信號數(shù)據(jù)的測量使用Emotiv公司的EPOC Flex設(shè)備，采樣率為128 Hz，具有32個電極通道，實驗過程如圖6所示。內(nèi)隱測量實驗在封閉、安靜、光線柔且沒有噪聲的實驗室操作。被試在實驗之前，佩戴好腦電設(shè)備，并進行眼動儀校準(zhǔn)。在實驗之初，屏幕呈現(xiàn)注意事項及操作范式，需要被試充分理解后實驗；在預(yù)實驗階段，被試了解實驗具體操作過程，熟悉實驗流程，保證正式實驗操作的流暢性；正式實驗與預(yù)實驗操作過程相同。實驗具體步驟為：首先在屏幕中央呈現(xiàn)“+”畫面1 s，引導(dǎo)被試注意；隨后出現(xiàn)刺激樣本圖片5 s；樣本圖片呈現(xiàn)5 s后，畫面中在圖片的下方呈現(xiàn)意象詞匯，呈現(xiàn)時間為用戶選擇時間；用戶需對意象詞匯進行判斷，符合樣本語意，點擊鼠標(biāo)左鍵，不符合樣本語意，點擊鼠標(biāo)右鍵；完成此過程后，進入下一樣本實驗，直到所有樣本實驗完畢。

3 案例的數(shù)據(jù)分析與處理

分析獲取的內(nèi)隱測量數(shù)據(jù)，得到被試對樣本感性評價時的決策行為，研究不同的意象匹配及在主觀意象值下的內(nèi)隱測量數(shù)據(jù)的表征信息，確定內(nèi)隱測量數(shù)據(jù)與產(chǎn)品意象匹配的映射關(guān)系。

3.1 內(nèi)隱聯(lián)想測驗數(shù)據(jù)分析

內(nèi)隱測量實驗的標(biāo)志性樣本具有明確的意象分類，即“輕盈—中性—笨重”。將獲得的判定數(shù)據(jù)代入式(10)，得到各樣本在“輕盈”和“笨重”意象下的選擇率，如表1所示。分析表1可知，樣本屬于“輕盈”屬性時，輕盈選擇率較高，笨重選擇率較低；樣本屬于“笨重”屬性時，笨重選擇率較高，輕盈選擇率較低；樣本屬于“中性”屬性時，輕盈選擇率和笨重選擇率相差較小，且都位于中值附近。

表1 各樣本下意象選擇率

由內(nèi)隱聯(lián)想測驗理論可知，當(dāng)目標(biāo)屬性與概念詞匹配時，被試選擇的反應(yīng)時較短，匹配模糊時選擇反應(yīng)時較長。基于該理論分析，當(dāng)用戶理解目標(biāo)樣本后，從出現(xiàn)感性詞匯到?jīng)Q策時的時長作為反應(yīng)時間，該反應(yīng)時可以充分代表被試的認(rèn)知決策時間。由于個體情況的差異性，各被試的反應(yīng)時需要除去自身差異才可以進一步處理分析，并排除誤差較大的反應(yīng)時。因此需要利用式(3)和式(4)排除粗大數(shù)據(jù)。

為減少各被試自身差異的影響，將數(shù)據(jù)代入式(5)，將排除后的數(shù)據(jù)轉(zhuǎn)換為[0,1]區(qū)間的數(shù)值；對轉(zhuǎn)換后的數(shù)據(jù)進行平均，得到各試次下的反應(yīng)時數(shù)據(jù)，如表2所示。結(jié)合表1與表2分析可知，當(dāng)樣本屬性屬于明確的“輕盈”或“笨重”意象時，匹配結(jié)果為符合或者不符合時反應(yīng)數(shù)據(jù)都較短，當(dāng)樣本屬性屬于“中性”時，匹配結(jié)果為符合或者不符合時反應(yīng)數(shù)據(jù)都較長。

表2 反應(yīng)時數(shù)據(jù)轉(zhuǎn)換值

3.2 眼動測試數(shù)據(jù)分析

眼動測試能可視化反映用戶在認(rèn)知加工過程中眼睛移動的實時過程[30]，如圖7所示，通過分析常見的眼動數(shù)據(jù)來表征用戶認(rèn)知時的心理反映[31]。本文應(yīng)用SMI-RED桌面遙測式眼動儀的專用數(shù)據(jù)分析軟件BeGaze可導(dǎo)出22種眼動的統(tǒng)計數(shù)據(jù)。因個人差異性影響，需要將所有眼動數(shù)據(jù)根據(jù)式(3)和式(4)排除粗大誤差，根據(jù)式(5)統(tǒng)一轉(zhuǎn)換為[0,1]區(qū)間值，隨后根據(jù)式(8)對各被試眼動數(shù)據(jù)進行平均。

為更好地反映用戶的認(rèn)知以及與本實驗關(guān)聯(lián)性較高的眼動數(shù)據(jù)，使用SPSS數(shù)據(jù)分析軟件，以產(chǎn)品的感性意象評分為影響因素，對眼動數(shù)據(jù)分別進行單因素方差分析。篩選得到從接受意象詞匯刺激到?jīng)Q策時的Samples值(被試對目標(biāo)樣本的總采樣點數(shù))、Fixations值(被試對目標(biāo)樣本總注視點數(shù))、Saccades值(被試對目標(biāo)樣本的總眼跳數(shù))、Fixation Frequency(被試對目標(biāo)樣本的注視率)、Saccade Frequency(被試對目標(biāo)樣本的眼跳率)與樣本意象有相關(guān)性，數(shù)據(jù)結(jié)果如表3所示。

表3 眼動數(shù)據(jù)換算結(jié)果

3.3 腦電數(shù)據(jù)分析

腦電數(shù)據(jù)可反映被試在接受刺激后腦電信號的實時變化。提取腦電數(shù)據(jù)后利用MATLAB中的EEGLAB工具箱以及工具箱的插件ERPLAB與EYE-EEG進行數(shù)據(jù)預(yù)處理。主要步驟包括：載入腦電數(shù)據(jù)、選取腦電通道、載入通道位置、帶通濾波、轉(zhuǎn)換參考點擊、導(dǎo)入眼電數(shù)據(jù)、主成分分析、刪除漂移數(shù)據(jù)、刪除眼電和肌電的偽跡、腦電數(shù)據(jù)分段、基線校正等。腦電數(shù)據(jù)預(yù)處理后，需要疊加所有被試的腦電數(shù)據(jù)，得到每一試次的總疊加數(shù)據(jù)。

EPOC Flex腦電儀具有32個通道，電極分布采用國際10—20系統(tǒng)標(biāo)準(zhǔn)，選擇P3、P4為參考電極，數(shù)據(jù)處理以1 Hz～30 Hz進行帶通濾波，以出現(xiàn)樣本圖片刺激出現(xiàn)時刻作為標(biāo)記點，截取標(biāo)記前1 000 ms到意象詞匯出現(xiàn)后1 000 ms的腦電數(shù)據(jù)進行時頻分析，基線校正為數(shù)據(jù)[-1 000 ms,0 ms]的時間段。根據(jù)腦區(qū)思維決策分布可知[32]，額葉部分與思維功能有關(guān)，枕葉部分與視覺功能有關(guān)。本文主要研究用戶在意象評價時的認(rèn)知過程，因此將會選擇前額區(qū)的腦電通道，根據(jù)腦電設(shè)備的電極分布，選擇的前額區(qū)的腦電電極為F3、F4、F7、F8、Fz、FC1、FC2、FC5、FC6、Fp1、Fp2、FT9、FT10。

對前額電極進行時頻分析，得到各電極通道下的時頻分析圖，如圖8所示。對事件相關(guān)頻譜擾動圖(Event-Related Spectral Perturbation, ERSP)進行圖像分析可知，α、β波段的腦電波在啟動刺激出現(xiàn)與目標(biāo)刺激出現(xiàn)200 ms后出現(xiàn)了明顯的能量上升，在啟動刺激出現(xiàn)500 ms后出現(xiàn)明顯的下降。由相位疊加圖(Inter Trail Coherence, ITC)可以發(fā)現(xiàn)，在啟動刺激即刺激樣本及目標(biāo)刺激及刺激意象詞匯出現(xiàn)0～500 ms后出現(xiàn)了明顯的ITC變化，說明兩處實驗相位鎖定較好，能夠得到明顯的ERP波形。

對試次在意象詞匯出現(xiàn)到隨后1 000 ms時間段的腦電數(shù)據(jù)進行疊加，得到ERP時頻圖，如圖9所示。以Fp1電極為例，啟動刺激和目標(biāo)刺激的不同試次ERPs疊加波形圖如圖10所示。分析圖9可知，在意象詞匯刺激出現(xiàn)200 ms～300 ms后能量顯著下降，并在目標(biāo)刺激出現(xiàn)400 ms左右，出現(xiàn)了顯著的N400成分。根據(jù)事件相關(guān)電位認(rèn)知理論，N400表明語義與場景是否符合有關(guān)[33]。為比較各試次N400成分的差異，根據(jù)式(8)得到各試次N400成分平均值，如表4所示。其中符合、不符合代表意象詞匯與樣本分類匹配的狀態(tài)，模糊代表意象詞匯與中性樣本分類的匹配狀態(tài)。分析表4可知，當(dāng)樣本意象屬性明確時，符合與不符合狀態(tài)下，N400波幅絕對值明顯小于模糊狀態(tài)時的N400波幅絕對值。

表4 各匹配狀態(tài)下所有被試N400平均波幅

3.4 內(nèi)隱主數(shù)據(jù)擬合

由以上分析可知，除選擇率外，樣本意象屬性明確時各數(shù)據(jù)的絕對值小于樣本意象屬性不明確(即中性)時各數(shù)據(jù)的絕對值。根據(jù)式(11)，對于同一樣本在兩個相對意象下的數(shù)據(jù)相加，得到該樣本下兩種匹配狀態(tài)下的數(shù)據(jù)之和。將樣本的各內(nèi)隱測量數(shù)據(jù)與意象值利用擬合式(14)分析，并根據(jù)數(shù)據(jù)繪制意象值與各數(shù)據(jù)的擬合趨勢線。

Y=C0+C1·X+C2·X2。

(14)

由圖像分析可知，意象值處于中間位置時，數(shù)據(jù)普遍具有較高值，表征當(dāng)樣本處于中性意象屬性時，各數(shù)據(jù)值比樣本處于明確意象屬性時要大，趨勢圖如圖11所示。

3.4.1 被試選擇率數(shù)據(jù)擬合函數(shù)建立

分析被試選擇率數(shù)據(jù)關(guān)系可知，在樣本意象屬性明確時，樣本在不同意象詞匯下的選擇情況為極高或極低；樣本意象屬性不明確(中性)時，樣本在不同意象詞匯下的選擇情況將位于中位值附近。由上述總結(jié)的信息，建立被試選擇率與意象高度相關(guān)性的函數(shù)。定義樣本在“輕盈”意象詞匯下的選擇率為a1，在“笨重”意象詞匯下選擇率為a2。當(dāng)a1>a2，且a1越接近1，a2越接近0時，兩者差值越趨向為1，樣本意象屬性越偏“輕盈”；當(dāng)a1

(15)

式中Ai為樣本在選擇率數(shù)據(jù)下的意象參數(shù)。

將樣本在選擇率數(shù)據(jù)下的意象參數(shù)再次進行數(shù)據(jù)轉(zhuǎn)換，使其滿足[0,1]區(qū)間數(shù)值。將轉(zhuǎn)換值與意象值進行T檢驗，其顯著性p<0.05，說明該公式可以將選擇率與意象值建立高度相關(guān)的關(guān)系。

3.4.2 其他內(nèi)隱測量數(shù)據(jù)擬合函數(shù)建立

基于內(nèi)隱測量數(shù)據(jù)分析，建立內(nèi)隱測量數(shù)據(jù)與意象值高度相關(guān)的關(guān)系模型。為更好地建立相關(guān)模型，運用式(5)對內(nèi)隱測量數(shù)據(jù)與意象值轉(zhuǎn)換到[0,1]區(qū)間值。依據(jù)函數(shù)式(15)和圖5反映的各內(nèi)隱測量數(shù)據(jù)與意象值的趨勢關(guān)系，在理想狀態(tài)下，樣本意象屬性越明確，各內(nèi)隱測量數(shù)據(jù)第一步轉(zhuǎn)換值越接近0。定義內(nèi)隱測量數(shù)據(jù)為u，a1與a2為函數(shù)式(15)中的選擇率，結(jié)合式(12)建立擬合函數(shù)：

(16)

式中W為樣本在其他內(nèi)隱測量數(shù)據(jù)下的意象參數(shù)。

將意象參數(shù)再次數(shù)據(jù)變換，使其滿足[0,1]區(qū)間數(shù)值。各內(nèi)隱測量數(shù)據(jù)的轉(zhuǎn)換值與意象值進行T檢驗分析，轉(zhuǎn)換后的內(nèi)隱測量數(shù)據(jù)與意象值的顯著性p<0.05，表明各內(nèi)隱測量數(shù)據(jù)與意象之間具有較高的相關(guān)性，說明該公式可以建立內(nèi)隱測量數(shù)據(jù)與意象值高度相關(guān)的關(guān)系。

將表1～表4的數(shù)據(jù)，依次代入擬合公式，并將數(shù)據(jù)與意象值V分析，包括選擇率在內(nèi)的所有內(nèi)隱測量數(shù)據(jù)及顯著性分析如表5所示。

表5 各樣本內(nèi)隱測量轉(zhuǎn)換數(shù)據(jù)

續(xù)表5

4 IAT-MIMM意象提取模型構(gòu)建與有效性驗證

4.1 建立意象提取模型

根據(jù)各內(nèi)隱測量數(shù)據(jù)與意象值數(shù)據(jù)得到的T檢驗結(jié)果可知，內(nèi)隱測量數(shù)據(jù)與意象值有明顯的相關(guān)性。依據(jù)式(13)定義意象值V、選擇率I1、反應(yīng)時I2、采樣點數(shù)E1、注視點數(shù)E2、眼跳數(shù)E3、注視率E4、眼跳率E5、腦電N400指標(biāo)B1、常數(shù)θ，各內(nèi)隱測量數(shù)據(jù)權(quán)重定義選擇率i1、反應(yīng)時i2、采樣點數(shù)e1、注視點數(shù)e2、眼跳數(shù)e3、注視率e4、眼跳率e5、N400b1，建立基于多元線性回歸函數(shù)的意象提取模型，如式(17)所示。

V=0.425·B1-1.084·E1+1.637·E2-

0.071·E3-0.064·E4+0.285·E5-

0.235·I1+1.196·I2-1.15。

(17)

4.2 模型的驗證

本文從原始66個樣本中，隨機篩選除文中所研究的15個樣本外的10款的非標(biāo)志性樣本，以避免內(nèi)隱測量數(shù)據(jù)均轉(zhuǎn)換為[0,1]區(qū)間值，因樣本量較少可能導(dǎo)致各樣本數(shù)據(jù)在[0,1]區(qū)間會有明顯不規(guī)律性的問題。在除去理想狀態(tài)下樣本屬性分類過程后，招募20名被試，進行基于內(nèi)隱測量的無意識認(rèn)知映射實驗，驗證模型的有效性。驗證實驗操作流程與數(shù)據(jù)分析按照文中所進行的范式開展。

步驟1數(shù)據(jù)獲取與轉(zhuǎn)換。

通過對原始數(shù)據(jù)的篩選分析，獲得內(nèi)隱測量數(shù)據(jù)。依據(jù)式(3)和式(4)排除各內(nèi)隱測量數(shù)據(jù)的粗大誤差，依據(jù)式(5)將各內(nèi)隱測量數(shù)據(jù)轉(zhuǎn)換為[0,1]賦值區(qū)間，依據(jù)式(6)得到10個樣本在不同意象詞匯下的認(rèn)知空間矩陣。

根據(jù)式(7)和式(8)得到各樣本在不同意象下的內(nèi)隱測量數(shù)據(jù)平均值，將獲得的樣本認(rèn)知數(shù)據(jù)值依照式(11)進行求和，得到各樣本的內(nèi)隱測量值。根據(jù)式(9)和式(10)將被試對樣本判定的數(shù)據(jù)進行轉(zhuǎn)換，得到各樣本的判定數(shù)據(jù)值。

依據(jù)式(12)建立的擬合函數(shù)式(15)和式(16)，對轉(zhuǎn)換后的各內(nèi)隱測量值和判定數(shù)據(jù)轉(zhuǎn)換，得到具有相關(guān)性較高的參數(shù)值。依據(jù)式(5)再次轉(zhuǎn)換為[0,1]區(qū)間值，轉(zhuǎn)換后的驗證樣本各內(nèi)隱測量數(shù)據(jù)如表6所示。

表6 驗證樣本內(nèi)隱測量轉(zhuǎn)換數(shù)據(jù)

步驟2數(shù)據(jù)驗證及結(jié)果分析。

將轉(zhuǎn)換后的各內(nèi)隱測量數(shù)據(jù)代入式(17)計算，得到各樣本的意象提取值。以樣本1為例，該驗證樣本意象提取值為：

V1=0.425·0.352 941-1.084·0.100 177+

1.637·0.371 76-0.071·0.096 496-0.064·

0.095 796+0.285·0.174 504-0.235·

0.218 673+1.196·0.202 522-1.115=

-0.272 44。

同理可得其他樣本的意象提取值。

通過對意象提取值進行T檢驗，其數(shù)據(jù)的相關(guān)性為0.993，p=0.00<0.05，證明意象提取值和意象值具有高度相關(guān)性，繪制意象提取值與意象值的擬合關(guān)系線，如圖12所示，兩值高度擬合。通過對基于內(nèi)隱測量數(shù)據(jù)的意象提取模型驗證，意象提取值和意象值擬合關(guān)系高度一致，證明了該意象提取模型的有效性。

5 結(jié)束語

本研究結(jié)合用戶無意識行為過程中的內(nèi)隱認(rèn)知，以標(biāo)志性實驗樣本為研究對象，分析用戶認(rèn)知行為中的判斷決策和認(rèn)知過程中內(nèi)隱數(shù)據(jù)的關(guān)聯(lián)。通過對內(nèi)隱數(shù)據(jù)進行歸一化和擬合化處理，建立內(nèi)隱指標(biāo)數(shù)據(jù)與意象值間的高度擬合函數(shù)，換算為更直觀的內(nèi)隱數(shù)據(jù)比較關(guān)系；以簡潔直觀的多元回歸方法構(gòu)建意象提取模型，并通過隨機抽取非標(biāo)志性樣本案例再驗證的方式，對意象提取模型有效性進行評價。

IAT-MIMM意象提取模型構(gòu)建過程中有以下幾個特點：

(1)研究以標(biāo)志性實驗樣本作為意象提取模型建立的基礎(chǔ)樣本。標(biāo)志性樣本的建立，使實驗樣本的分類更加準(zhǔn)確和客觀，在模型構(gòu)建過程中為數(shù)據(jù)比較和擬合函數(shù)建立提供依據(jù)，并且可以直觀地發(fā)現(xiàn)被試在判斷決策中的不可靠性判定。

(2)內(nèi)隱聯(lián)想測驗與眼—腦融合測驗為非主觀意識下認(rèn)知實驗的基礎(chǔ)。傳統(tǒng)方式多以單一測量技術(shù)或者眼—腦融合技術(shù)為基礎(chǔ)，研究將內(nèi)隱聯(lián)想測驗結(jié)合，通過判定數(shù)據(jù)和反應(yīng)時數(shù)據(jù)，可與眼—腦內(nèi)隱數(shù)據(jù)進行對照，易發(fā)現(xiàn)不可靠數(shù)據(jù)并篩選粗大誤差數(shù)據(jù)。

(3)內(nèi)隱測量數(shù)據(jù)的歸一化換算。內(nèi)隱測量數(shù)據(jù)具有多樣性，數(shù)值區(qū)間也各不相同，通過數(shù)據(jù)的歸一化處理，使各內(nèi)隱測量數(shù)據(jù)換算為相同的區(qū)間值，易對各內(nèi)隱指標(biāo)進行比較。

(4)內(nèi)隱測量數(shù)據(jù)通過擬合函數(shù)進行換算。根據(jù)不同的內(nèi)隱測量指標(biāo)在區(qū)間值和意象值的關(guān)系，依據(jù)數(shù)值變化特點，建立各內(nèi)隱測量指標(biāo)的擬合函數(shù)，使各樣本換算值的數(shù)值趨向符合意象值趨向，可更為直觀地建立意象提取模型。

(5)意象提取模型的案例再驗證。意象提取模型構(gòu)建過程以標(biāo)志性樣本為基礎(chǔ)，為驗證模型在非標(biāo)志性樣本的有效性，排除標(biāo)志性樣本篩選過程，選擇該案例的其他非標(biāo)志性樣本直接進行實驗分析，將數(shù)據(jù)代入模型，驗證模型的有效性。

通過本文的研究，實現(xiàn)認(rèn)知內(nèi)隱測量數(shù)據(jù)的轉(zhuǎn)換和篩選，得到IAT-MIMM主數(shù)據(jù)，并將擬合處理的主數(shù)據(jù)作為自變量，意象值作為因變量，構(gòu)建IAT-MIMM意象提取模型，基于模型將認(rèn)知內(nèi)隱測量數(shù)據(jù)轉(zhuǎn)譯為可讀的意象值，為設(shè)計師解讀用戶對產(chǎn)品的意象認(rèn)知提供更客觀的途徑，從而更好地實施有針對性的產(chǎn)品設(shè)計創(chuàng)新，以滿足用戶的心理需求。

本研究是以內(nèi)隱聯(lián)想測驗、眼動測試和腦電測試作為基礎(chǔ)研究工作，雖取得了一定的成果，但模型以單一案例進行構(gòu)建，需考慮選用樣本的適合性和有效性。在未來的研究中，應(yīng)考慮樣本的適合性，可分別考慮色彩、材質(zhì)、造型等因素的影響，對多案例進行全面驗證分析，避免方法構(gòu)建的局限性。