一、 研究程序 (一)研究流程架構
本研究規劃流程架構如圖 15 所示：
圖 15 主題三之研究流程架構圖
(二)實驗表情主題
人類表情眾多，我們只挑選出一個具有代表性的語彙來做主題 實驗，以做為後續研究的重要依據。因此本研究決定做需求度調 查，找出動畫製作者最希望分析的語彙。過程如下：
請25 名中文系的大學生，在沒有參考任何文獻詞句的情況下，
中文視覺認知問卷調查
決定表情主題
實驗樣本圖片製作
統計分析
英文視覺認知問卷調查
統計分析
跨文化表情設計視覺認知比較 找出人類臉部表情的視覺變化關鍵
不受影響地默寫出「可描寫臉部表情的」、「意涵單一的」形容詞語
為本次研究的實驗主題。
另外，我們尋訪在大學英文系任教的教授，五位均同時通曉中 文與英文的使用，請他們針對「心滿意足」，找出辭意相似的英文 形容詞。
由於中文與英文的辭意不可能涵蓋完全相同的範圍，五位教授 只能儘可能找出最接近的辭彙。對於專業動畫師而言，中英文劇本 的對應，包括動畫師對不同語言文化的理解，以及字幕的翻譯，原 本也就是只能做到辭意最接近的程度。
五位教授針對「心滿意足」，分別提供二到三個英文字。經過 交叉比對，研究團隊選出交集程度最高的代表性形容詞。「心滿意 足」的英譯是Satisfied。
為了比較不同文化地域，在類似臉部表情上的認知，本研究選 擇在台灣與美國舊金山兩地做實地訪查實驗。針對台灣受測者以
「心滿意足」為實驗主題，針對舊金山受測者以Satisfied 為實驗主 題。
(三)實驗樣本製作
感性工學的其中一個執行方式，就是將研究對象加以拆解分類 成為設計要素(M. Nagamachi, 1995, 2002; Yang, Nagamachi, & Lee, 1999)，結合數量化一類 Quantification Type I Analysis 可以用來評估 形容詞語彙與設計要素間的關係(Llinares & Page, 2007; Tsuchiya, Maeda, Matsubara, & Nagamachi, 1996)。文獻中，將設計要素稱為
項目items，每個項目的次分項稱為類目 categories。本文也根據此 法，將臉部表情的造形變化關鍵，以項目與類目的方式分析並製作 實驗樣本。詳細做法敘述如下。
(1) 項目的決定
經由研究小組組員觀察，我們列出所有表情的關鍵，在於以下 變項的組合：
A 眉毛的運動 B 上下眼皮的運動 C 瞳孔的位置與面積 D 上下嘴唇的運動 E 頭部旋轉角度
因此，在規劃實驗樣本時，以上述五個項目作為樣本組合的要 因。
(2) 類目的決定
水準的訂定可以用數值的方式，也可以用質性的方式。由於本 研究目的是在幫助設計師做臉部表情的設計，就必須貼近設計師的 思考方式。我們決定找五位動畫設計師，以焦點團體法，用質性的 方式，觀察臉部關鍵變項，討論出設計師實務製作上所需要的水 準，愈重要者愈多，各要因為項目(items)，各水準為類目
(categories)，完成表 5：
表 5 臉部表情變化造形關鍵因素分析表
(3) 產生排列組合的樣本
22 7 一邊皺眉 1 不變 7 鬥雞內 7 一邊往下 7 側轉
54 3 兩眉上揚 1 不變 7 鬥雞內 8 兩邊往下 4 旁仰頭
例，如表 7 所示。而全部 81 張所有圖片樣本如圖 16 所示。
表 7 列舉前五個虛擬表情圖片樣本
編號 眉型 眼型 瞳孔 嘴型 頭部旋轉 產生圖片 01
4 眉頭靠 近眉心
2 一大
一小 5 放大 1 不變(閉) 7 側轉
02
5 眉頭上 揚
7 半開
半閉 2 往旁 4 垂直微開 6 旁歪
03
4 眉頭靠 近眉心
2 一大
一小 3 往上 9 咬下唇 2 正仰頭
04
4 眉頭靠
近眉心 6 閉 1 中央 8 兩邊往下 3 正低頭
05
7 一邊皺
眉 3 撐大 1 中央 1 不變(閉) 4 旁仰頭
圖 16 全部虛擬表情圖片樣本
(四)觀者認知調查
由於本實驗的特性，不需限制年齡大小，只要是視力正常，能 表達對圖片的感受並做選擇，即符合本實驗調查的條件。我們將81 張樣本圖片，分別邀請台灣地區88 位受測者，以及美國舊金山地
區68 位受測者做意象調查。台灣地區受測者年齡為 19 歲到 54 歲，
其中，包含40 位男性，48 位女性。美國舊金山地區受測者年齡為 18 歲到 55 歲，其中，包含 35 位男性，33 位女性。
為了得知受測者對各樣本圖片的認知，我們以圖片分群法，進 行調查，方式如下：
請受測者觀察81 張圖片，按照符合所指定形容詞程度高低，
先分為三群，分別針對各群，再細分三群，如圖 17 所示，即可使 每張圖片獲得指定形容詞1~9 分的評等。分群過程，給予充分時間，
完全尊重受測者主觀感受，並隨時可做改變調整。
圖 17 圖片分群法示意
舉例來說，表 8 為「心滿意足」意象調查其中一個受測者所提 供的資料。於是我們在台灣獲得88 個受測者，在舊金山獲得 68 位 受測者，分別給予81 張圖片的評等分數。
表 8 某一受測者在「心滿意足」意象調查結果
二、 研究結果
(一)數量化Ⅰ類統計原理
為了探討本研究中，眉型、眼型、嘴型、頭部旋轉角度的運動，
對於形容詞語彙，有多少比重的影響程度，我們採用數量化Ⅰ類分 析方法。這是由Hayashi 提出，是一個著名的有效統計方法，用來 處理這一類的問題（Ta-naka 與 Wakimoto，1983）。感性工學最主 要就是在探討「質性的人類感性」與「量化屬性的設計元素」之間 的關係。因此，在許多感性工學系統的研究中，數量化一類已被用 做一個有效的回歸分析法(Guan & Lin, 2001; S. W. Hsiao, Chiu, &
Lu, 2010; Huang, 2007)。
在真實的世界中，我們可以發現許多像「X 值改變導致 Y 值改
一般的Hayashi「數量化一類」回歸模式，可以定義如下：在 每個感性語彙i 裡面，j 為項目數量，k 為類目數量。
, j 的範圍是從 1、2 一直到 m（m 是項目的總數），k 是從 1、2 一 直到
c
j （c
j是項目 j 類目的總數）。從上面的方程式來看，
a
jk被稱為部分回歸係數或是類目比分（權重）。由上面方程式的主要目的看來，找出係數
a
jk是為了減低 測量數值和實際數值之間的偏差。y
λ和x
λjk分別被稱為準則變數和解釋變數。藉由解出一個由上面方程式所構成的聯立方程組，可 以推算出
a
jk的測量數值。例如，如果那裡有50 個樣本，那就有 50 個聯立方程組被組成。在數量化Ⅰ類分析中，「偏相關係數」為每個因素之關係權重 值，數值越大表示對於意象之判斷影響越大；而「類目得點」則可 得知，各項目底下之類目間對於該意象的影響程度多寡；當「決定 係數」(coefficient of determination) R2越趨近於1，即表示用來解釋 線性迴歸模式的適配度(goodness of fit)越好，實驗的可信賴度愈 高。「決定係數」即是複相關係數（Multiple Correlation Coefficient）
R 的平方。Sugiyama(1996)在相關研究中提出 R 係數與信賴度之關 係如表 9。
表 9 係數與信賴度之關係
R 值 信賴度
0.00 ～ 0.19 預測值呈現低相關 0.20 ～ 0.39 預測值具有相關性
0.40 ～ 0.69 預測值的可靠度有強相關
0.70 ～ 1.00 預測值的可靠度具有非常強之相關
(二)本實驗統計結果與分析
C1 在中心 ★0.32
複相關係數 = 0.96565722846041
決定係數（重相關係數的平方）= 0.932493882877841
在表 10 中複相關係數為 0.97，代表可信度為 97%。接著觀察
「偏相關係數」，最高者為D「嘴型」，偏相關係數值為0.95(以星號 標示)，第二是 A「眉型」，偏相關係數值為 0.88(以星號標示)，這 兩者對台灣人「心滿意足」的意象影響較大。從類目得點來看，取 各項目的最高值(以星號標示)，「倒眉下垂、閉眼、瞳孔在中心、嘴
角左右拉開，且歪頭上仰」的表情，最符合台灣人對於「心滿意足」
A5*0.58+B6*0.74+C1*0.32+D2*2.22+E4*0.17+3.9207
表 11 舊金山受測者對於 Satisfied 的臉部表情數量化一類結果分析
C4 往下 -0.10
複相關係數 = 0.955436772289659
決定係數（重相關係數的平方）= 0.912859425843282
在表 11 中複相關係數為 0.96，代表可信度為 96%。接著觀察
而皺眉、眼睛撐大、瞳孔往外鬥雞眼、嘴角兩邊往下、歪頭下 低，對於舊金山人「Satisfied」的意象都有相反的影響，在表情創造 時，應該避免這些情形。
而由表中 A(眉)、B (眼)、C(瞳孔)、D(嘴巴)、E(頭部旋轉)之所 有類目得點可進一步推演出預測模式，即表情效果等於各最佳類目 乘以類目得點後的加總加上常數項，如下所示。
Y（舊金山人對於 Satisfied 表情視覺效果認知）＝
A1*0.73+B6*1.13+C1*0.38+D2*2.81+E4*0.5+4.46