1.　はじめに

　ユーザのニーズが多様になり、プロダクトやサービスのカスタマイズ化やパーソナル化がますます求められている。そのためには一人ひとりが持つ感性を的確に把握し，それにあわせて具体的なデザインに展開する方法論が望まれる。
　ここでは、人の感性を工学、情報学、心理学、脳科学、芸術学等さまざまな分野の知見に基づき定量化し、製品設計に役立つ客観的なものさし（メトリック）を作る感性指標化技術について紹介する。とくにAI・ビッグデータサイエンスを取り入れて感性指標を自動構築する方法と，そのプロダクトデザインへの応用事例について述べる。またプロダクトやサービスを通して得られる感動や共感を感性価値とし、感性価値を創出する取り組みについても紹介する。

2.　感性指標化技術

2.1　感性の階層構造と印象の定量化

　感性研究において中心的なトピックの一つが印象（イメージ）の定量化である。プロダクトデザイン分野においては、人がプロダクトに対して「好き」や「欲しい」などの感情（感性価値）を抱くのは，「かわいい」や「美しい」といった印象を抱くからであり、またこうした印象は色や表面性状などの物理要因によって形成されると捉えられている。
　我々が研究を進めている感性指標化の枠組み¹⁾を図１に示す。ここでは感性のモデルを「感情―印象―物理量」の3層からなる階層構造として表現する。最下位層である対象の物理量から、上位要素である対象の印象、印象に基づく総合評価である価値や価値によって喚起される内的な情動までの階層的な対応関係を構成する。印象層を介することでヒト（価値）とモノ（物理要因）の対応関係における感性的な価値形成の根拠（因果関係）が明らかになり、プロダクトデザインへのフィードバックが容易になる。また印象層で個人差の補正を行えるので、モデル全体の精度が上がるというメリットもある。
　モデル化のフローは図２に示すように、心理学実験と統計解析に基づくものである。主観評価によって有効な評価語セットと対象物セット（プロダクトやサービス）を選定し、次にこれらの対応関係を主観評価によってデータ化し、統計解析によって指標を構築し、さらに物理要因とマッピングする。フローの各ステップでは開発者の予断や先入観を極力排除し、対象となるヒトが対象となるモノから喚起される反応を正しく取り出し、これを真値 (grandtruth) としてモデルを構築する。こうして構築されたモデルによって、対象物の持つ価値やそれにより喚起される情動を定量化・可視化し、逆に情動や価値をもたらす物理要因を求めることができる。
　代表的な手法としてOsgoodによるSD (Semantic Differential) 法が挙げられる。複数の形容詞対を尺度として対象を評価し、因子分析により印象構造を少数の主要因子で表現する。他にも多次元尺度構成法（MDS）、クラスタ分析、評価グリッド法、Dematel法、経験抽出法、共分散構造分析や各種回帰・機械学習手法などを目的や対象に応じて選択し組み合わせることで、階層構造を作る。そのとき評価語（形容詞）や刺激の取捨選択において、代表性（選ばれた評価語や刺激による結果が、空間全体の結果を反映するか）と網羅性（対象とする空間を十分に満たしているか）を高めることが有効である。
　図2に素肌とメイク肌における透明感の指標化を行った例を示す。２つの透明感指標（透明感を構成する下位要因の構造）には高い類似性があった一方で、素肌とメイク肌の透明感に固有な要素として、素肌では「キメの整い」、メイク肌では「シルキー感」が抽出された。この比較結果をもとに「触感の透明感」という新しいコンセプトが創出され、なめらかな触感（スキンケアタッチ）を特徴とするファンデーションとして製品化され高い評価を得ることができた²⁾。
　このような心理統計に基づいた感性指標化手法とそのプロダクトデザインへの応用は、化粧品だけでなく自動車、電気機器、化学、素材、建築、日用品などあらゆる業種に及んでいる。しかしながら指標化の各段階において複数の主観評価実験・分析が必要となり、人的および時間的な負荷が高いということが大きな課題となっている。

2.2　機械学習による感性指標の自動構築と得点化

　そこで主観評価実験を行わなくても、感性の階層構造に則った指標を構築する手法が望まれる。人工知能分野ではユーザの嗜好や感情を推定する研究が盛んに行われている。例えば評価極性（肯定的/否定的）をWeb上のテキストデータから推定する感情/評判分析（Sentiment Analysis）などがある。しかしこれらは物理量から直接的に感情に繋がる要因や評価（e.g. シルエットが好き）を推定するものであり、印象要因を介している（e.g. シルエットが上品だから好きなのか、シルエットがシンプルだから好きなのか）わけではない。そのため、プロダクトデザインにフィードバックするという観点からは、得られた知見を設計情報に直接反映するのは困難である。
　我々は感性の階層モデルをWeb上のテキストデータから機械学習により自動構築する手法を提案し、プロダクトのレビューデータを用いて検証した^3,4)。本手法は評価表現の階層構造化、印象トピックの抽出、感情の得点化の3ステップからなる。
　まず評価表現の階層構造化では，アプレイザル理論に基づく評価表現辞書を用いる。アプレイザル理論では評価表現を外評価／内評価の２種類のカテゴリに分類している。外評価は「きれい」「やわらかい」など対象の印象を表し、内評価は「嬉しい」「楽しい」など評価者の内的な感情を表す。Web上から収集する評価語には印象語と感情語が混在しており、これらを区別できないまま構造化をしてしまうと、モデルの精度が低下するという問題が起こる。そこでアプレイザル評価表現辞書における内評価／外評価のカテゴリに基づき印象層／感情層に分類することにより，階層化を実現した。
　次に印象層において、印象語のみを用いたHDP-LDA（階層ディリクレ過程 潜在ディリクレ配分法）などによる印象トピック（従来の心理統計手法における主要因子に相当する）の抽出を行い、プロダクト毎に印象トピックの得点を算出する。
さらに感情層において、感情表現辞典を用いて10種類の感情カテゴリ（喜，怒，哀，怖，恥，好，厭，昂，安，驚）と係り受け解析から，印象トピックそれぞれの10種類の感情得点を算出する。最終的に、各プロダクトが印象を介して喚起される感情の得点を算出したり、逆にある感情を喚起するデザイン要素がどのようなものかを、印象を介して求めたりすることができる。
　例としてECサイトにおける特定の製品分野（腕時計、図3参照）を対象に、商品レビューデータ約20万件に対して本指標化手法を適用した。表1に示すような丁寧だ、素敵だ、見易い、軽いといった４つの印象トピックが抽出された。またそれぞれの印象得点と，それらから喚起される10種類の感情カテゴリの得点が得られた。検証実験として、算出された印象得点および感情得点を、人の評価に基づく得点と比較すると高い相関（r=0.4～0.7程度）を示した。さらにレビューデータに加えて、レビューの対象であるプロダクトの画像約2000枚を利用して、印象得点を教師データとしてCNN(畳み込みニューラルネットワーク)により学習を行うと、結果はレビューデータのみのときより画像を併用したときの方がさらに人の評価と強い相関（r=0。8程度）を示すことが確認され、本指標化手法が主観評価による感性指標化手法に代わる可能性が示された⁵⁾。
　またアプレイザル評価表現辞書は現在日本語版しか存在していないが、クラウドソーシングを用いて他言語版の辞書を作る方法を開発した。検証実験では、実際の商品として芝刈り機（日本では一般的ではない商品）を対象として、英語の商品レビューからEU圏における感性指標を抽出し（quieter, sturdy, slick, etc.）、複数の商品のそれぞれの感性価値を適切に得点化できることを確認した。また分析に用いるテキストデータを特定の商品レビューからtwitterなどSNSに広げて感性指標を作ることで（decent, poor, proud，etc.）、より広い概念と文化・価値観などを計ることができた。このように異なる地域や文化における人々の潜在的なニーズやウォンツを発掘し、それらを未来のプロダクトデザインに繋げる試みも行っている。