108 年 國立成功大學工業設計學系碩士班丁組《感性與認知理論》

此題要求解釋「Schema」這個名詞。Schema（基模）是認知心理學中的一個重要概念，指的是在個體長期記憶中，與特定對象、事件、概念或情境相關聯的知識結構或組織。它是一種心智藍圖，幫助我們理解、組織、記憶和解釋新的資訊。

Schema 的核心概念在於：

1. 組織化知識：Schema 將相關的資訊組織成一個有結構的單元，而非零散的片段。
2. 預期與推論：當我們遇到一個情境時，與該情境相關的 Schema 會被活化，使我們能預期接下來可能發生的事情，並能根據有限的資訊進行推論。
3. 資訊篩選：Schema 會影響我們對資訊的注意和解讀。我們傾向於注意與現有 Schema 相符的資訊，或者將新資訊「套入」現有 Schema 中。
4. 記憶提取：Schema 有助於我們記憶和提取資訊。當我們試圖回憶時，Schema 可以提供線索，幫助我們重建相關訊息。

此題要求解釋「Affordance」這個名詞。Affordance（可供性）是生態心理學家 James J. Gibson 提出的概念，後來被認知心理學家 Donald Norman 廣泛應用於人機互動與產品設計領域。

Affordance 的核心意義是指一個環境（或一個物體）所能提供的「行動機會」或「使用可能性」。它不是物體本身的屬性，而是物體與使用者之間關係的產物。簡單來說，Affordance 是指一個物體「可以做什麼」，或者說，使用者「可以如何與之互動」。

在設計領域，Affordance 通常被用來指：

1. 潛在互動：一個物體或介面所提供的所有可能的互動方式。
2. 可感知性：好的設計應該讓這些潛在的互動（Affordances）對使用者來說是明顯且可感知的。例如，門把的形狀和位置「暗示」了使用者應該抓住它並施力來開門。
3. 認知與行動的連結：Affordance 連結了使用者對物體的認知（我能對它做什麼？）以及實際的行動。

此題要求解釋「Mental Model」這個名詞。Mental Model（心智模型）是指個體對某事物（系統、物件、情境等）如何運作的內部表徵或理解。它是一種心智上的模擬，用來解釋、預測、理解和與該事物互動。

心智模型的關鍵特徵包括：

1. 個人化與主觀性：每個人的心智模型都是獨一無二的，受到其經驗、知識、信念和學習的影響。
2. 簡化與抽象：心智模型通常是真實世界的簡化版本，省略了許多細節，只保留了對理解和預測有用的資訊。
3. 動態性：心智模型並非靜態，會隨著新的經驗和資訊的獲取而改變、更新或修正。
4. 功能性：心智模型的主要功能是幫助使用者理解和操作複雜的系統，進行預測，並在遇到問題時進行故障排除。
5. 與實際系統的差異：心智模型不一定完全準確地反映實際系統的運作方式，可能存在錯誤或不完整之處。

此題要求解釋「Kano Model」這個名詞。Kano Model（卡諾模型）是由日本品質管理專家狩野紀昭 (Noriaki Kano) 在 1980 年代提出的，用於分析顧客對產品或服務特徵的滿意度。它將產品的品質特性（Quality Characteristics）分為三類，並探討這些特性如何影響顧客的滿意度。

Kano 模型將品質特性分為以下五類：

1. 基本型品質 (Basic/Must-be Quality)：這些是顧客認為產品或服務「理所當然」應該具備的品質。如果這些品質不存在，顧客會感到非常不滿意；但如果存在，顧客的滿意度只會達到中性（不會顯著提升）。例如，手機必須有通話功能。
2. 期望型品質 (Performance/One-dimensional Quality)：這些是顧客越期望、越能滿足，滿意度就越高；反之，越不期望、越不滿足，滿意度就越低。這類品質的滿足程度與顧客滿意度呈線性關係。例如，手機的電池續航時間越長，顧客越滿意。
3. 魅力型品質 (Excitement/Attractive Quality)：這些是顧客沒有預期到，但一旦具備，會讓顧客感到非常驚喜和滿意。如果沒有這些品質，顧客的滿意度不會受到影響（保持中性）。

此題要求解釋「Fogg Behavior Model」這個名詞。Fogg Behavior Model（佛格行為模型）是由史丹佛大學的行為設計實驗室創辦人 B.J. Fogg 提出的，用於解釋和預測人們的行為。該模型認為，一個行為的發生需要三個要素同時具備：動機 (Motivation)、能力 (Ability) 和提示 (Prompt)，且這三個要素必須同時發生。

模型公式可表示為：$B = MAP$ （Behavior = Motivation + Ability + Prompt）

各要素說明如下：

1. 動機 (Motivation)：人們執行某個行為的意願或驅動力。動機可以來自多種來源，例如尋求愉悅、逃避痛苦、尋求希望、逃避恐懼、尋求社會認同、逃避社會排斥等。
2. 能力 (Ability)：執行某個行為的難易程度。當一個行為對使用者來說越容易執行，其能力需求就越低。能力可以透過簡化行為（減少步驟、時間、金錢、體力、心力消耗）來提升。
3. 提示 (Prompt)：促使人們採取行動的觸發因素。提示可以是內在的（如飢餓感）或外在的（如鬧鐘、通知）。

此題要求解釋「Maslow's Hierarchy of Needs」這個名詞。Maslow's Hierarchy of Needs（馬斯洛需求層次理論）是美國心理學家 Abraham Maslow 在其 1943 年的論文《A Theory of Human Motivation》中提出的，是人類動機理論中的一個重要概念。該理論認為，人類的需求是分層次的，從低層次到高層次，當較低層次的需求得到滿足後，個體才會追求更高層次的需求。

馬斯洛將需求分為五個主要層次，通常以金字塔形狀表示：

1. 生理需求 (Physiological Needs)：這是人類最基本的需求，包括食物、水、空氣、睡眠、性等。若這些需求未被滿足，個體將無法生存。
2. 安全需求 (Safety Needs)：當生理需求得到基本滿足後，個體會尋求安全、穩定、秩序、免受威脅的環境。這包括人身安全、健康保障、財產安全、工作穩定等。
3. 愛與歸屬需求 (Love and Belonging Needs)：在生理和安全需求滿足後，個體渴望與他人建立情感聯繫，包括友誼、愛情、親情，以及在群體中的歸屬感（如家庭、朋友、同事）。
4. 尊重需求 (Esteem Needs)：這包括兩方面：一是自尊（如自信、成就、獨立），二是來自他人的尊重（如聲望、地位、認可）。

此題為兩小題的題組題，分別要求說明順向感性工學與逆向感性工學的關係（需繪圖）及各自的方法步驟。

核心觀念：
感性工學（Kansei Engineering）是一種以人為中心，將使用者對產品的「感性」評價轉換為產品設計參數的設計方法。順向與逆向感性工學是其兩種不同的應用取向。

2.1 繪圖說明兩者之關係

順向感性工學（Forward Kansei Engineering）和逆向感性工學（Reverse Kansei Engineering）的關係可以理解為兩種不同的分析方向，但都旨在連結使用者的感性評價與產品設計。它們可以互補，共同構成更完整的感性設計流程。

關係圖說明：

順向感性工學：

• 方向：從「使用者感性評價」出發，推導出「產品設計參數」。
• 流程：使用者感性評價 → 建立感性評價與設計參數的關聯模型 → 根據感性需求，決定設計參數。
• 目標：直接根據使用者期望的感性，來設計產品的具體形式。

逆向感性工學：

• 方向：從「現有產品」或「產品設計參數」出發，分析其「使用者感性評價」。
• 流程：現有產品/設計參數 → 分析其感性意涵 → 了解產品的感性效果。
• 目標：分析產品為何能引發特定感性，或現有設計的感性優缺點，以便改進或作為順向設計的基礎。

繪圖表示 (請想像以下為一個圖示)：

此題要求分別提出順向感性工學與逆向感性工學的常用方法與步驟。

2.2 順向感性工學 (Forward Kansei Engineering) 的常用方法與步驟

順向感性工學的目標是根據使用者期望的感性，來設計產品的具體形式。其流程重點在於建立「感性評價」與「產品設計參數」之間的定量或定性關聯。

常用方法與步驟：

1. 定義目標感性 (Define Target Kansei)：

   • 步驟：首先確定產品要傳達的主要感性意涵（例如：優雅、力量、親切、科技感、自然感等）。這通常透過市場研究、使用者訪談、腦力激盪等方式進行。
   • 方法：使用感性詞彙量表、心智圖法、使用者故事等。

2. 感性評價收集 (Kansei Evaluation Collection)：

   • 步驟：招募目標使用者，讓他們對現有的或概念性的產品進行感性評價。
   • 方法：
     • 問卷調查：使用預設的感性詞彙量表（如 SD 法，Semantic Differential Method），讓使用者評分。
     • 訪談：深度訪談使用者，了解他們對產品的感受和聯想。
     • 焦點團體：觀察群體討論，獲取多樣化的感性意見。

3. 建立感性評價與設計參數的關聯模型 (Build Relationship Model)：

   • 步驟：這是順向感性工學的核心。分析收集到的感性評價數據，找出哪些產品的物理設計參數（如顏色、形狀、材質、尺寸、紋理、聲音、觸感等）與特定的感性評價相關聯。
   • 方法：
     • 統計分析：迴歸分析（線性迴歸、多元迴歸）、因子分析、主成分分析 (PCA)、關聯規則挖掘等，尋找感性詞與設計參數之間的數學關係。
     • 多變量分析：如 PLS (Partial Least Squares) 迴歸，尤其適用於感性指標較多、設計參數較少的情況。
     • 機器學習：如類神經網路，用於建立複雜的非線性關聯。

4. 參數設定與設計 (Parameter Setting & Design)：

   • 步驟：根據建立好的關聯模型，將目標感性需求轉換為具體的產品設計參數值。
   • 方法：
     • 反向工程 (Reverse Engineering of the Model)：根據目標感性，透過模型預測所需的設計參數。
     • 優化演算法：如基因演算法 (Genetic Algorithm) ，在設計空間中尋找能最大化目標感性得分的參數組合。
     • 專家判斷：結合模型結果與設計師的經驗，確定最終設計方案。

5. 原型製作與驗證 (Prototyping & Verification)：

   • 步驟：製作產品原型，並再次進行感性評價，驗證設計是否達到了預期的感性效果。
   • 方法：原型製作、使用者測試、回饋收集。

2.2 逆向感性工學 (Reverse Kansei Engineering) 的常用方法與步驟