【特 集】

感性工学データの分析手法
Analysis Methods in Kansei Engineering

石原 茂和

抄録：本稿では、感性工学における基本的認識である多次元構造、感性評価実験の方法、評価データの
多変量解析の方法について解説する。モデルデータとして、下腿装具カバーの感性評価実験の結果を使っ
て分析例を示す。
Key words: 感性評価、多変量解析

1．はじめに Differential）法の質問紙に構成する。SD 法は、1950 年

本稿では、感性工学での基本的な考え方である多次元
の感性構造、評価のスケールと統計的分布、多変量解
析の方法について解説する。感性工学の分析方法には、
質問紙による方法 、行動観察 、筋電位や脳波など
1-4）
の計測を用いた生理心理学的測定方法 6-8）、身体運動の
記録分析など人間工学の手法と融合した感性人間工学
などいくつかのバリエーションがある。ここでは、最も
広く使われている質問紙による方法について述べる。例
題として下腿義足カバーの感性工学評価データを使って
説明を行う。
質問紙による方法は感性工学 2 類とも呼ばれる 3）。そ
の手順は 1）感性ワードの選択、2）感性評価実験、3）
評価データの多変量解析の 3 つのステップからなる
（図 1）。3 については次の章で説明する。
1）感性ワードの収集・選択
“高級感のある”、“落ち着いた”など、対象を表現す
る言葉を感性ワードと呼んでいる。これを収集するに
は、商品のカタログや雑誌記事、ネットにある評価記事
などが有用である。例えば観光のように、季節やシーズ
ンでトレンドが大きく動くものについては、SNS の分
析も有効である 10）
。 れかを選ばせる尺度である（例えば、1．全く同意でき
2）感性評価実験
ま ず、 収 集 し た 感 性 ワ ー ド を、SD（Semantic
1） 広島国際大学 総合リハビリテーション学部
Faculty of Rehabilitation, Hiroshima International University
Shigekazu ISHIHARA（PhD）
（受理日 2018 年 9 月 19 日）
代半ばに、社会・政治心理学者である Osgood によって
開発された、含意的な意味を多次元で計測する方法であ
る 11）。彼が行った研究は、ある国の国民が他の国に対
して、どのような印象を抱いているかというものであ
5）
る。第二次大戦の記憶もまだ生々しく冷戦に向かおうと
するその時代で、かつての敵国、同盟国、大戦後関係の
9）
悪化した国など、好き嫌いのような単純なものではない
複雑な感情があることが容易に想像できる。そのような
複雑で含意的な意味や概念をどのように簡単にまた正確
に数値化し分析することが可能か、彼のアイデアは、複
雑な概念をより簡単な評価しやすい概念に分解してその
程度を測るものである。つまり semantic differential、意
味を微分することによって量的に分析できないかという
ものである。
ここで、心理計測尺度について簡単に説明すると、人
間が感じたことをなんらかの形でデータ化する手法に
は、はい／いいえの 2 値（わからないを加えて 3 値のこ
とも）で表す方法、何段階かの段階で表す方法、直線上
にマークさせて物差しを当てたり、ボリュームを回して
アナログ値を測定するなどの、連続値で表す方法があ
る。SD 法は、Likert scale（Likert、1932 年）を使用して
おり、これは 5 段階もしくは 7 段階の評価のうちのど
ない／ 2．同意できない／ 3．どちらともいえない／ 4．
同意できる／ 5．非常に同意できる）。Osgood の研究で
は、言葉をその反対の意味の言葉とペアにして、5 段階
もしくは 7 段階の Likert scale12） で評価させる。たとえ
ば Osgood13）では、Russians: Good[][][][][][][]Bad、Large[][]
[][][][][]Small、Yellow[][][][][][][]Blue、Beautiful[][][][][][][]
Ugly といったものである。

感性工学データの分析手法 1
 図1 質問紙を用いた感性工学の方法（感性工学 2 類）の一般的枠組み
感 性 工 学 評 価 実 験 で は、 反 対 語 の ペ ア を 用 い る
Osgood の方法とは異なり、“上品な [][][][][] 上品でな
い”のように、⃝⃝と⃝⃝でないのペアを評価に用いて
いる。この理由の 1 つは、反対の言葉がうまく定義でき
ないことが多いことである。例えば、“優雅な”の反対
の言葉はなにがあるだろうか？ もう 1 つの理由は、統
計学的に重要なポイントである。商品開発を企画する場
合、わざわざ醜い外見にする場合はまず無い。したがっ
て、Beautiful[][][][][][][]Ugly では、美しいの方に評価が
著しく偏る。この次に説明する主成分分析をはじめ、多
変量解析の多くの手法が、正規分布など統計分布の概念
を基盤としている。そのために、偏った分布は、データ
分析の最初の段階から困難を引き起こす。⃝⃝と⃝⃝で
ないのペアで尺度を形成すると、単一のペアでの正規分
布、また多くのペアを使った質問紙全体で、多変量正規
分布の前提を満たすことは検証済みである 14）。
本稿での例題である、ひざ下義足カバーの感性評価実
験では、3DCG で作成した 15 種類の評価サンプルに対
して 74 ペアの感性ワードの質問紙を用いた。これは、
大体どの商品でも広く評価に使うことができ、主成分分
析で感性の構造をはっきり表しやすい基本的な感性ワー
ド約 60 ペアに、商品の領域固有のワードを足したもの
である。対象とする商品について初めて感性評価を行う
場合は、感性の構造を掴むためにこのくらいの数の感性
ワードで評価が必要である。ワード数が多いものの、評
価は 1 人あたり 30∼40 分程度で終了した。
2．主成分分析
感性評価実験の結果、図 2 のような、サンプル数（行）
×感性ワード（列）の評価データが得られる。図 2 には、
被験者間で平均したデータを示した。
この、多数の感性ワードの評価で得られた多次元の
データは、数字をいくら眺めてもその構造を知ることは
できない。我々は 3 次元世界で生まれて育ったので、多
次元の数理的空間を直感的に理解することは非常に難し
2 PO アカデミージャーナル
い。そこで役立つのが、主成分分析と、その派生手法で
ある。
図 3 は、缶ビールデザインの評価データの中から、
“高
級感のある”の評価を横軸、“雰囲気のよい”の評価を
縦軸にしてプロットしている。1 つ 1 つの○は各サンプ
ルの評価を示す。5 段階の評価は、被験者間平均をとる
ことで、より細かい間隔になる。評価値の平均値を減算
しているので、（0，0）が平均値となる。一見してわか
るように、左下から右上にむけて、右上がりで⃝が分布
しており、また中心部分が幅があるラグビーボール状の
分布になっている。これは、“高級感がある”の評価が
高ければ、“雰囲気のよい”の評価も高いサンプルが多
く、逆に“高級感がある”の評価が低ければ“雰囲気の
よい”の評価も低いサンプルが多い。これはこの 2 つの
感性ワードの間に正の相関があることを示す。2 次元の
空間内に斜めのラグビーボール状の分布で表されている
情報を、もっとも効率良く 1 つ少ない 1 次元で表そうと
すると、ラグビーボールを長軸方向での串刺しにする、
PC1 の軸が好適である。PC1 の傾きは、横軸と縦軸のブ
レンド具合で決まるので、合成変数と呼ばれる。次の式
のように yi の第 1 次元目である y1j と、第 2 次元目であ
る y2j が回転のパラメーターである l1 と l2 とで変換され
ることを意味する。PC1 の軸上で、各⃝の位置は次の式
で表される。この式は、重み付きの合成変数の式である。
zj＝l1 y1 j＋l2 y2 j
傾きを決めるパラメーター l1 と l2 は分散の最大化と
いう手順で求められる。新たに決める軸から、データを
見て、その分布の広がり具合をしめす分散が最も大きく
なった時は、ラグビーボールの長軸になるということで
ある。新たに定めたこの軸から⃝を見たときの値は、軸
上の位置である 1 次元のデータとなる。こうして、2 次
元のデータから、そのデータの情報の損失を最小にして
表す 1 次元のデータへと圧縮することが可能になる。な
お、手順としては、第 1 主成分を求めたあとは、それと
直交する第 2 主成分を求める。図では PC2 で表している。
Vol. 26, No. 3, 2018
 図2 サンプル画像の例と感性評価データ（被験者間平均値）の一部

線形結合である第 i 主成分 PCi にデータ {y1, y2, … ,

yn} を代入した値を第 i 主成分についての“主成分スコ
ア”と呼ぶ。主成分スコアは、合成変数である主成分に
おけるサンプルの順位を表わすことができる。これによ
り、数多くの変数から抽象化された主成分についてのサ
ンプルの位置づけができる。
主成分と元の変数 yj との相関係数を主成分負荷量と
呼ぶ。これは yj の値と主成分スコアとの関係を示す値
で、この値が大きいほど、yj と主成分 PCi との関係が強
いことになる。相関係数なので、値は± 1 の範囲である。
主成分負荷量を用いて、抽象化された主成分への、元の
変数の影響がわかる。
図 4 に示した、第 1 主成分×第 2 主成分の主成分負荷
量のプロットを解釈してみよう。第 1 主成分が＋1 側で、
第 2 主成分が 0 近辺の右側には、“重い”、“ハードな”、
“重苦しい”、“堅い”がある。その反対側、第 1 主成分
が−1 側で、第 2 主成分が 0 近辺には、
“ゆったりした”、
“落ち着いた”、“やさしい”がある。したがって、第 1 図3 缶ビールデザインの評価データ（被験者間平均値）
（高級感のある×雰囲気のよい）
主成分は、重さ堅さ vs リラックス、やさしさの軸とい
える。右側の重さ堅さに対応するサンプルは、13 番の
パンチメタルと黒のカバー、左側のリラックス、やさし レザーのカバーが飛び抜けて高い。フォーマルでない側
いには、7 番のベージュ色のデニム地のカバーが対応す （−）は、緑のランダムの凹凸地である。
る。第 2 主成分は、＋が“フォーマルな”、
“落ち着いた”、 主成分分析は、高次元空間内のデータを、それよりも
“きちんとした”
、“美しい”で、−が“下品な”、“派手 低次元の空間に最適射影をするためのツールである。と
な”、“かっこわるい”になる。第 2 主成分は、フォーマ いうことは、単に軸についてのみの検討ではなく、空間
ルさの軸と言える。フォーマル側（＋）は、8 番の黒い 内の構造について吟味する必要がある。図 4 の、第一主

感性工学データの分析手法 3
 図4 義足カバーの主成分負荷量（第 1 主成分×第 2 主成分）

成分×第二主成分の主成分負荷量の図と、図 5 の同じ主
成分の組み合わせの主成分スコアの図を見てみる。第 1
主成分が 0.3-0.5、第 2 主成分が 0.5-1.0 の 1 時半方向の
領域には、“知的な”、“大人っぽい”、“スタイリッシュ
な”、“高級感のある”があり、ヘアライン加工をした濃
いグレーのアルミのカバーが対応する。その反対の、第
1 主成分が−0.4、第 2 主成分が−0.5 の周辺は“子供っ
ぽい”であり、赤白の横縞のカバーが対応する。左上、
第 1 主成分が−0.6、第 2 主成分が 0.6 の 10 時方向は、
“ポップな”、“ナチュラルな”、であり、その反対の第
1 主成分が 0.6、第 2 主成分が−0.6 の 4 時方向は、“ボ
リューム感のある”、“ゴテゴテした”、“革新的な”であ
る。前者、“ポップな”に対応するのは、明るい青色の
デニム、明るい茶色のレザーであり、後者の“ボリュー
ム感”には、荒い白黒ツイードとグレーのデニム地のカ
バーが対応している。
ここまで、第 1 主成分と第 2 主成分で構成される 2 次
図5 義足カバーの主成分スコア（第 1 主成分×第 2 主成分） 元の平面について考察した。次に、第 1 主成分と第 3 主
成分の組み合わせについて見てみよう。図 6 では、第 1
主成分が横軸、第 3 主成分が縦軸になっている。第 1 主
成分は重さ堅さ vs リラックス、やさしさの軸であるこ
とは変わりない。縦軸の第 3 主成分は、横軸が 0 のとこ

4 PO アカデミージャーナル Vol. 26, No. 3, 2018

 図 6 第 1 主成分×第 3 主成分
（左：主成分負荷量、右：主成分スコア）

図 7 第 2 主成分×第 3 主成分
（左：主成分負荷量、右：主成分スコア）

ろで上下をみると、プラスには“活動的な”、“スポー 右下、4 時方向（0.6、−0.3）には、“暗い”、“ボリュー

ティ”があり、マイナスには、
“快適な”、
“落ち着いた”、
“地味な”がある。これから、第 3 主成分は活動性を表
す軸であるといえる。主成分スコアの布置と、主成分負
荷量の対極的関係をみると、右やや上、2 時方向（0.7、
0.2）近辺の“信頼できる”、“工芸的な”、“革新的な”
の反対に左やや下、8 時方向（−0.7、−0.3）周辺に“あ
たたかい”、
“リラックスした”、
“ナチュラルな”がある。
前者の“信頼できる”のほうにはパンチメタルのサンプ
ル 13、ヘアラインアルミの 14 がある。後者の“あたた
かい”、“リラックスした”にはベージュ色のデニムがあ
る。この対称的関係は、主に第 1 主成分による。
左上、10 時半（−0.5、0.6）近辺には、“かわいい”、
“カジュアルな”、“若々しい”などがある。その反対の
ム感のある”、“重い”がある。前者には、青のデニム地
と、赤白横縞が対応していて、後者には、黒の粗いデニ
ム地が対応している。第 3 主成分の貢献度が高い、中央
上側少し右、1 時方向（0.3、0.7）周辺には、
“スポーティ
な”、“派手な”、“都会的な”がある。その反対の下側少
し左、7 時方向（−0.3、−0.5）周辺には、
“地味な”、
“単
調な”、“落ち着いた”がある。前者には、紺の粗いデニ
ム地、後者には明るい茶色のレザーが対応する。
主成分分析の項の最後に、図 7 の第 2 主成分×第 3 主
成分の平面について考察する。主成分の表す、元のデー
タの分散、大雑把にいえば情報の量は順次減少していく
ので、第 2 と第 3 では、読み取れるものがだいぶ少なく
なってくる。第 2 主成分の＋と−方向は、先に第 1 ×

感性工学データの分析手法 5
 第 2 で述べたように、＋がフォーマルで−が“ごてごて
した”と“革新的”であり、フォーマルが黒いレザーと
ヘアラインのアルミ、ごてごての方が、グレーの粗いデ
ニム地、革新的のほうにパンチメタル風がある。左上の
“派手な”、“ユニークな”は、赤白の横縞とパンチメタ
ル風、その反対の右下の“落ち着いた”、“シンプルな”
はブルーグレーのデニムである。第 3 主成分の＋である
アクティブ、スポーティは明るい青のデニムと紺の粗い
デニム、−の“あたたかい”、“地味な”は茶色のレザー
とグレーで表面に凹凸のあるカバーである。
主成分分析で、感性の構造、どの感性ワードが重要で
あるか、重要な感性ワードとサンプルの関係を把握する
ことができる。商品開発のフェーズでは、自社や他社の
製品の位置付けをすることにより、商品の特徴を整理す
ることや、まだカバーできていない感性はなにかを知る
ことができる。例えば、今回用意したサンプルでは、ス
イートな、明るいという感性に対応するものは、どの主
成分の組み合わせを見ても、1 つか多くても 2 つしかな
い。“美しい”・“洗練された”も同様である。これらの
感性ワードは商品開発に重要なものであり、対応する商
品を拡充することが必要である。
3．重回帰分析とそのバリエーションによる分析
上に述べた主成分分析で、感性の構造や特徴的な感性
ワード、また特徴的なサンプルがわかり、商品開発に役
だてることができる。一方で、商品デザインでたくさん
考慮しなければならないデザインの要素のうち、どれが
どう感性に関係しているかを知る必要もある。例えば、
素材のコストや、製作時間、工数など、商品の開発には
様々な制約がある。デザインを考えるうち、ターゲット
としている感性に適合しているのは 1 つの候補だけなの
か、それともコストが削減できる別の候補があるかを知
ることは重要である。この稿の例でいうと、“ゆったり
した”に使える色は 1 つだけなのか、また別の色も使え
るのか、こういうバリーションを決定しなければならな
い局面では、主成分分析だけでは心もとない。
「デザイン要素」と我々が呼んでいるものは、商品を
構成する要素で、それには色や形、レイアウトや商品の
果たす機能まで含まれる。デザイン要素の各項目と感
性の関係は、重回帰分析と、その様々な発展形の手法
を使って推定することが多い。回帰分析は、目的変数
（従属変数とも呼ばれる）y を、説明変数（独立変数と
も）x で説明あるいは予測する数学モデルを作成するこ
とが目的である。説明変数が 1 つであるものを単回帰分
析、複数あるものは重回帰分析と呼ばれている。通常、
回帰分析では目的変数は 1 つであるが、多数の説明変数
で多数の目的変数を持つものもある。ディープラーニン
6 PO アカデミージャーナル
図8 回帰分析の例：辺の長さのバリエーションと“落ち着い
た”の感性評価の関係
グニューラルネットワークなど、多くの教師付きニュー
ラルネットワーク学習はこの類とみなすことができる。
図 8 にあるのは、石原ほか 15）のシンプルな回帰分析の
例で、直方体の辺の長さを、1:1 から 1:3 まで 9 段階に
変えて感性評価したサンプルの一部を示している。図 8
の下のグラフは、“落ち着いた”の感性評価値（被験者
間平均）と、辺の長さの関係を示している。一目でわか
るように、辺の長さが長くなるほど、“落ち着いた”の
評価値が比例して下がっていく。評価値が目的変数で、
辺の長さが説明変数で単回帰分析を行っている。斜めの
直線が回帰分析の結果得られた回帰直線である。回帰分
析は、測定値と推定値の間の誤差を最小化する計算によ
り、変数の間の関係を推定するものである。なお、この
例題である、落ち着いた”は例外的に直線的な関係で
あり、多くの感性ワードは石原ほか 14，15）に示すように、
特定の長さが丁度良いといったピークを持つ非線形の関
係がある。
感性評価の評価対象のデザインの要素は、この例題の
ように連続値をとるものではなく、表面加工や素材の違
いのように、量も順序もない尺度、つまり識別のための
名前のみである名義尺度の質的変数であることが多い。
日本の統計学者である林 知己夫先生によって 1950 年代
に開発された数量化理論 1 類とよばれる回帰分析の手法
は、目的変数に量的な変数、説明変数に質的な変数を使
えるようにするものである。
本稿の、下肢装具カバーのデザイン要素を、図 9 に示
す。色が 9 種類、素材が 10 種類ある。サンプルが 15 種
類で、これはサンプル数よりも説明変数の数のほうが多
く、回帰分析で通常つかわれている最小 2 乗法の手続き
Vol. 26, No. 3, 2018
 図9 下肢装具カバーのデザイン要素

図 10 PLS 回帰で計算した、デザイン要素と感性ワードの関係の推定結果

では計算できない。この場合、主成分分析のように、説
明変数を小さい次元に最適射影して、その次元空間との
間に回帰を行う PLS 回帰の手法が有効である
16）
数量化理論 1 類モデルを PLS 回帰で計算して得られ
た、感性ワードとデザイン要素の間の関係を図 10 に示
す。表 1 の 0 ／ 1 データが、そのまま説明変数のデータ
であり、1 つの感性ワードの被験者間平均値が目的変数
のデータである。“ゆったりした”では、色はベージュ、
素材はデニムやウオッシュドデニムがポジティブに作用
している。これは主成分 1 ×主成分 2 の主成分分析の結
果と一致している。図 5 に示される、第 1 主成分（̶）
の位置にあるサンプルはベージュのデニム、その隣はブ
ルーのウオッシュドデニムであり、これらとの対応が現
れている。もしベージュがコーディネート上合わない時
は、次点でブラウンレッドも可能性がある。“高級感の
ある”では、色はブラック、厚いデニムかヘアラインメ
タルがポジティブに作用している。この結果も主成分 1
×主成分 2 の主成分分析の結果とほぼ一致している。さ
。
らに、サンプルにない組み合わせである、ブラックまた
は濃いグレーの厚いデニム地のカバーも有望ではないか
ということがわかる。このように、評価したサンプルが
カバーしていないデザイン要素の組み合わせ可能性がわ
かるところも、この分析のメリットの 1 つである。また、
感性への影響の度合いを比較することもできる。
4．おわりに
以上に記した、主成分分析と、回帰分析系の方法によ
る感性評価データの分析は、最もポピュラーな分析方法
である。特に主成分分析は、どの商品開発の感性工学プ
ロジェクトでも最初に行っていて、まず感性の構造を掴
むことが、なによりも重要と考える。ところで、筆者が

感性工学データの分析手法 7
 感性工学のレクチャーをすると、個人差についての質問
が必ずある。まずは、被験者間の平均値で感性の構造を
掴むことが最初のステップとして重要だが、感性に個人
差は必ずあり、しかも無視できないほど大きい。感性評
価データは図 11 に示す 3 元データと呼ばれるデータ形
式であり、通常は被験者間平均をとって、1 枚のシート
状のデータとして分析する。単一の感性ワードや、単一
のデザイン要素において個人差を分析するのは簡単であ
るが、サンプル×感性ワードの感性評価データで、被験
者間に差があるかどうかを検討するのはかなり難しく、
一枚一枚の表の間が違うかどうかという多次元データを
検討する課題となる。
本稿では、詳細に解説する紙面がないが、被験者を分
類し、個人差を分析する方法は Ishihara17）がすでに開発
している。牛乳パックの感性評価データでは、28 名の
被験者が、被験者間平均に近いグループと、3 つの別の
グループに別れた。1 つは、筆文字の商品ロゴに反応す
る被験者としない被験者、2 つ目は、パックのイラスト
にあまり関係なくカラフルなパックに反応する被験者、
N1 Subjects
N3 Kansei words
N2
Product
Samples
図 11 感性評価データの形式
図 12 Morphometrics による形の主成分分析と感性評価値のマップ
8 PO アカデミージャーナル
3 つ目は、牛乳パックの評価が感性的に分化せず、単に
好きか嫌いかで評価しているグループであった。幸い 3
つ目のグループは 3 名だけであった。このように、デザ
イン要素への反応で個人差を見ることができる。
本稿で取り上げることのできなかった感性の分析方法
は他にもたくさんある。デザイン要素のバリエーション
と感性評価との関係でいえば、ある感性ワードは、高い
評価値がついているデザインのバリエーションがたくさ
んあるが、別の感性ワードは、ピンポイントで特定のデ
ザインバリエーションでしか評価が高くない、はたま
た、どのバリエーションでも評価があまり変化しない感
性ワードもある。これは分析対象が違っても普遍的に見
られる現象である。このような関係は、通常の回帰分析
ベースでは、分析結果を全ての感性ワードで見渡す必要
があり、発見が難しい。Ishihara ら 18）では、デザイン要
素の表を主成分分析して、そのマップの上に感性評価値
を高さとして 3 次元でマッピングする方法を開発してい
る。デザインのバリエーションにピンポイントで評価が
高いのか、あるいはある程度バリエーション群で高い評
価なのかを、気圧配置図のように一目でみてとれる。
様々な形を数量として扱いたい場合も多々ある。たと
えば、ここの角の半径をあと何ミリ大きくすると、感性
はどう変わるのか、頂点の位置を何センチずらすとどう
なるのか、ディテールを設計する上で頭を悩ませる問題
である。石原 19）では、形を統計モデルとして扱うため
の方法論である Morphometrics を応用している。自動車
ヘッドライトの形を特徴点の座標とし、回転して向き
をそろえ、大きさをなるべく同じに規格化して、その
座標値を多次元ベクトルとし、主成分分析をしている。
図 12 には、先に述べた方法で感性評価の値を高さにと
Vol. 26, No. 3, 2018
り、等高線図のように示している。この図では、“今風 7） 吉 田 倫 幸： 香 り の 心 理 生 理 作 用 と 有 用 性 の 評 価，
な”の評価値を高さとして示している。形の第 1 主成分 Aroma Research（臨時増刊），38-43，2001．
8） 吉田倫幸：脳波の周期リズムによる快適度評価モデ
はライトの厚さの方向の変化、第 2 主成分は左側突端終
ル，心理学評論，45（1）, 38-56, 2002.
端（人間の目でいえば内側目じり）が下方向へ出てとが
9） S. Ishihara, et al.: Development of a washer-dryer with
る／とがらないかの違いの変化になる。 評価の高い領 Kansei Ergonomics, Engineering Letters, 18（3）, 243-249,
域は左上から中央下までの L 型の領域であり、厚さの 2010.
薄いものおよび内側目尻がとがり外側目尻が丸いライト 10） S. Ishihara, et al.: Development of a Kansei engineering
である（引きだし線が実線）。一方、低い領域は中央近 artificial intelligence sightseeing application, Advances
in Affective and Pleasurable Design, Fukuda, S. （ed.）
辺で四角く、厚いライト（引きだし線点線）である。こ
Springer, 312-322, 2018.
のようなライトの形は今風ではない、逆に厚い四角い形
11） C. E. Osgood, et al.: The Measurement of Meaning, Urbana:
でなければ、様々な形が今風であるという評価である。 University of Illinois Press, 1957.
以上に、感性工学の分析方法をご紹介した。エクソ 12） R. Likert: A Technique for the measurement of attitudes,
スケルトンなど、義肢装具とその技術は様々に新たな Arch Psychol, 140, 55, 1932.
フィールドに応用されてきており、本稿で扱った装飾的 13） C. E. Osgood and G. J. Suci: Factor analysis of meaning, J
Exp Psychol, 50（5）, 325-338, 1955.
な側面以外にも、感性工学の方法論が貢献できることを
14） 石原茂和：6 章 感性の評価測定法，商品開発と感性，
願っている。
長町三生（編），海文堂，2005.
15） 石原茂和ほか：感性工学評価データの非線形性に関す
文 献 る分析，ヒューマンインタフェース学会論文誌，5（2），
267-274, 2003.
1） 長町三生：室の雰囲気に関する感情分析，人間工学， 16） S. Ishihara, et al.: Analyzing Kansei and design elements
13（1），7-14, 1977. relations with PLS, Proceedings of The First European
2） 長町三生ほか：知識工学手法によるインテリア・コン Conference on Affective Design and Kansei Engineering,
サルテーション・システムの開発，人間工学，22（1） ， Helsingborg, 2007.
1-8, 1986. 17） S. Ishihara, et al.: Analysis of individual differences in
3） 長町三生：感性工学―感性をデザインに活かすテクノ KANSEI evaluation data based on cluster analysis, KANSEI
ロジー，海文堂，1989. Engineering International, 1（1） , 49-58, 1999.
4） 長町三生：感性工学のおはなし，日本規格協会，1995. 18） S. Ishihara, et al.: The graphical analysis method for non-
5） 長町三生ほか（編著）：感性商品学，海文堂，1993. linear relation between Kansei evaluation and design
6） T. Yoshida and T. Iwaki: The study of early emotion elements, Ergonomia, 29（2）, 191-201, 2007.
processing in the frontal area using a two-dipole source 19） 石原茂和：Morphometrics と感性工学への応用 , 感性工
model, Jpn Psychol Res, 42（1）, 54-68, 2000. 学，8（1）, 17-23, 2008.

著者略歴
‖

石原 茂和（いしはら しげかず）
広島国際大学総合リハビリテーション学部リハビリテーション支援学科 教授
1988 年日本大学文学研究科心理学専攻修了、1992 年広島大学工学研究科システム工学専攻単位取得退学、博士
（工学）、International Society for Gerontechnology 日本支部代表、人間工学、感性工学、ジェロンテクノロジー、
リハビリテーションゲームなどの研究に従事

感性工学データの分析手法 9