特徵構成對型體分類辨識的影響研究
張悟非
國立雲林科技大學工業設計系
摘 要
本研究在探討人類對形體風格概念的形成過程中，形態特徵構成對分類辨 識的影響。有關人類如何能依據形體之特徵來做分類，其可能牽涉到多種認知 層面之問題，本研究則將探討重點集中在特定類別的形體特徵構成印象下，其 對新圖形的分類辨識影響。本研究實驗樣本以3D 基本幾何體為基礎，在各賦 予特定而具有規則性之幾何特徵關係的情況下，分成不同類別，再由受測者以 其自身分類辨識的理解方式，將新的形體依據先前指定類別的規則，來判斷新 形體所屬的類別。從研究中發現的實際分類結果，將再與General Context Model 模式中，有關分類行為的各種理論做比較討論，藉以了解受測者在不同的類別 的特徵組成條件下，其分類行為與特徵之分佈結構、特徵顯著性、特徵彼此間 融合性之關係。
經由本研究結果，能得知人類對於產品形體的風格分類之理解機制，以及 如何會因環境既成風格概念之影響，而形成特定之特徵結構關係的印象。它將 有助於日後在造型學研究中，對於消費者受市場已固定之風格印象影響下，工 業設計師能如何有效地操弄形體之特定特徵構成，並以精確的方式，將符合消 費者所認知之特定風格類別的產品印象，傳達予消費者，以達到設計師與消費 者透過產品做充分溝通的目的。
關鍵詞：分類辨識、結構化特徵、風格、特徵比對、顯著性。
A STUDY ON THE FEATURE STRUCTURES TO CATEGORY IDENTIFI- CATION OF FORMS
Wue-Fay Chang Department of Industrial Design
National Yunlin University of Science and Technology Yunlin, Taiwan 640, R.O.C.
Key Words: category learning, structuralized feature, similarity, feature matching, saliency.
ABSTRACT
This study attempted to explore the mental mechanism people use to categorize specific styles according to the features of solid forms. How people categorize forms according to form features may involve different levels of cognition. In the study, emphasis was placed upon the relations between the structure of form features and people’s categorical identifica- tion behaviors. With basic 3D forms that possess regular geometric form features as materials, subjects were asked to classify new images according to categorical structures that were organized previously with specific fea- ture rules. The results were checked against predictions based on the Gen-
eral Context Model of category behaviors, through which the differences of feature structures to the categorization patterns were studied. The relation- ship of form feature distribution patterns, form feature salience, the incor- poration of different features, and the different categorical approaches were found.
The results of the experiment make it possible for us to understand how people formulate specific images from structuralized features and how specific form styles in the environment affect the impressions of form fea- ture structures and people’s product form style perception. This will help designers to manipulate the feature structure of forms to precisely commu- nicate to customers with suitable form styles that can be understood by the users.
一、前 言
人類對於形體之風格概念的形成，主要和形體之認知 分類能力有很大之關係。從認知心理的觀點，人類之所以 能對資訊做快速有效地處理，主要是有賴於能從視覺之重 要特徵，組織成具有特定概念(concepts)。各種概念能夠形 成，主要是將視覺特徵，與原有的人類既有之知識中的諸 多概念相比較其相近似的程度，再進行分類的行為。這種 分類行為，是一直持續地在我們日常生活中發生。因此，
概念(concept)與類別(category)是經常被視為人類知識與記 憶系統的主要構成。然而即使其關係極為密切關係，但一 般都會認為概念(concept)是屬於比較內涵性(intension)的層 面 ， 而 類 別(category) 則 屬 於 外 顯 性 (extension) 之 層 面 (Hampton and Dubois [1]，Goldstone [2])。前者是屬於心智 之處理中的運作，而後者是其對外在資訊的處理結果之解 釋。也就是當要探討分類特性時，必須從兩種層面來了解。
首先是從外顯(extension)之層面來看什麼樣的物體會被歸 為同一類別，而再進一步則從內涵(intension)層面去解釋在 特定類別裡，會具有那些特定的內含所構成。上述兩者之 間雖是從不同觀點看問題，但事實上是一體之兩面，有其 無法分割的關係。
本研究主要的目的，是在探究人類如何從學習中形成 某種特定形態的風格(或稱“類別”)。如果設計者能充份掌握 住人類對風格認知形成之機制，工業設計師將更容易了解 一般消費者對特定風格下的特徵構成特性，並更進一步地 操弄特徵之變化，以掌握風格的流行。研究架構將延續張 悟非[3,4]的結果，做更深一層的探討。在張悟非[3]研究中，
主要是為了要了解各個立體圖形對受測者的感知差異程 度，並以語意差異(SD)法評估各圖形在 27 組形容詞之落 點，再以因素分析抽取出受測者的主要認知構成因素。在 各因素下主要聚集之圖形，都很明顯地以共同特徵的特殊 組合而成；進一步的聚群分析更清楚看到各群組間之關係 是與特徵組合有明顯的關係。至於在張悟非[4]研究裡，主 要是要了解受測者對每個具有不同特徵組成的立體圖形，
其在直覺整體比較的情況下，會以何種認知意向為基準，
來將其中若干圖形匯聚形成具有某種特定風格(或類型)的 群組。實驗中將32 個由具有特定結構性特徵組成之圖形，
由受測者以直覺方式分成7 群，再依每兩個圖形間被分成 同一群的頻率，決定32 個圖形間的差異性，並進行 MDS 與 Clustering 分析。可以非常明顯地看出受測者皆以特定 的“複合特徵”來做分群。所謂特定之複合特徵，是每種特 定特徵一定會和另一種特定的特徵一起出現，且各複合性 特徵出現的次序皆是具有很高的規則性。
從張悟非[3]及張悟非[4]的兩次實驗結果出現較之差 異，推斷其原因是實驗的情境與條件差異，會促使受測者 會以不同心智來解決問題。前者在各個圖形做形容詞之意 象評估時，會較傾向以特徵組成之間可能產生之內含意義 來做評估；至於受測者在被要求同時流覽32 個圖形，並決 定分群法則時，只能以較複合性特徵所具有之突顯性的關 係，在沒有任何暗示的情況下，依直覺來做判斷。這種差 異現象，主要導致於實驗不同條件所致，前者受測者被要 求從內含意象來比較差異，而後者則是依特徵分佈關係的 直覺性分群。雖然現今大多數在探討有關分類與分類學習 的理論中，都是基於以特徵比對下之相似性程度，做為決 定如何分類的依據，但事實上卻可能不全然如此，也就是 說相似性並非是決定分類的唯一因素。前者研究中受測者 會受先前已具有之生活體驗或已深植心中之暗示，使特徵 與特定之意象之間有某種固定之投射關係；而後者則是單 純以直覺之方式依據特徵之組合特性來進行分類。
本研究主要是基於先前研究之初歩結論，發現人類大 部份在做分類判斷時，並非全然以自由直覺的方式在進行 分類，它通常是會依據其本身所曾看到的現成分類情況，
來對新的形體做投射式的分類判斷。雖然說它有一些學習 的過程，但也並非是有刻意的學習，而是一種直覺性地理 解下所做的判斷，它可能會因不同的結構而有不同的理解 方式。因此，研究中希望能將先前兩種實驗的特性做整合，
也就是本實驗中先藉由分類學習的方式，先予以某種分類 之暗示，冀望在受測者心智中形成某種特定之抽象性意 象，再由其對新圖形所屬類別之判斷依據，來嚐試了解受 測者對於類別形成之判斷理解依據，也藉此可協助了解受 測者抽象性意象形成之主要基制。本研究採用之3D 樣本，
將以特定之特徵值(feature values)所組合的圖形為刺激 源，探討在分類基準判斷時，各種分類行為與特徵間的關 係，並探討其適用於何種模式來解釋研究中所發現之結果。
二、文獻與理論
人類之所以需要對視覺訊息以類別(category)的方式，
做快速之區分與分類，主要就在於要能快速地處理瞬息萬 變的視覺訊息。一般相信人類可以經由學習，而能從形的 特徵學習到某些特定的結構關係，而據以做為判斷區分類 別之依據。本文僅以和研究理論直接相關之相似性辨識和 分類學習議題做討論。
1. 相似性辨識模式
人類要如何判定兩個物體間相似的程度，固然和特徵 之整體性處理的程度有關，但因為涉及到相當複雜的特徵 結構關係，故較開始有針對相似性的模式研究。有關相似 性的評估，一般可分成兩種層面來看，一種是決定於外表 感觀之 perceptual 層面，它是與特徵之緊密性(intensity)有 關，另一層面則是與各特徵所代表之抽象性內涵(context) 的咨詢性(diagnosticity)有關。其中較早期是先假設人類對 任何一個物體在整個心理過程空間中，具有某一特定的位 置，而要判定兩個物體間之相似性，則要先計算兩物體在 此心理空間中的距離(dij)。上述之空間，則是由一多元尺度 (Multidimensional Scaling-MDS)空間構成(Shepard[5])。兩 物體間i, j 之距離(dij)，則依特徵間之構成關係不同，而有 不同的計算方式，但主要都是源自於Minkowski 的公式：
k
dij=｛
Σ
〔Xik-Xjk〕r｝1/r (1) k=1至於物體間相似性(Sij)的判定，則從物體的兩兩相比，
做出相似性判定值，再與認知距離做比較，以Sij＝ƒ(dij)的 函數關係表之，可進一歩地推演出：
Sij ＝exp(- dij n) (2)
其中 n=1 時為一般的遞減(exponential decay)指數關 係，而在較密集性辨識訓練時，則可能變為 n=2，此時相 似 性 與 距 離 為 高 斯 遞 減(gaussian) 關 係 (Shepard[6]) 。 Shepard[5] 利用 MDS 觀念，來簡化認知空間的尺度結構關 係，在許多心理學領域裡，尤其是對許多牽涉到多種特徵 向度的研究（如色彩、聲音）有相當大的貢獻，MDS 可以 有效淬取出具有代表性之向度空間。基於上述觀念，利用 物體間在認知空間距離關係，更可用聚群(clustering)分析，
也可看出物體間成群(group)分類的關係(Shepard[5])。基於 MDS 的基礎，Nosofsky[7,8]更進一步針對認知距離與相似
性 判 定 做 更 完 整 的 考 慮 ， 提 出 General Context Model(GCM)，並考慮其中各個特徵向度有權重(weight)的 差異，而各特徵之權重與其受到注意的程度有關（即突顯 性）。除此之外，在相似性判定時，則與各別受測者之敏感 度(sensitivity)有關，通常較高敏感度的受測者（通常為較 有經驗之受測者），其距離差異值會較高。所以物體i 與 j 之認知距離(dij)的計算，將從公式(1)中各特徵之差異量再 加入各別特徵之加權值(Wk)與敏感度(C)，修正為：
k
dij=
C
｛Σ Wk〔Xik-Xjk〕r｝1/r (3) k=1至於公式(3)中的 r 及各 Wk值，與公式(2)中的 n 值如 何導出，則會因不同實驗情境(task)設計與不同受測者背景 會有不同，Tversky 與 Gati[9]及 Nosofsky[7]等諸多研究以 computer search 的方式，求出最接近(most likelihood) 的代 表值，並求出預測值以與實際值比較，可以得到幾近於代 表實際情況的參數組合。Nosofsky[7]至少證明各參數值之 組合是存在的，而Nosofsky 的 GCM 模式可以解釋人類概 念之比較特性。即便如此，由於人類真實之概念空間其含 蓋區域非常混沌，且自然中的特徵向度都是連續的，且各 概念間也有連續關係(Ashby[10])，所以確切之參數值之求 得似乎不是那麼重要了，從設計及藝術對造型學的運用觀 點，如何利用 Nosofsky[7] 的觀念，在一個混沌之概念間 中找出一般人的共同認知傾向，才是重要的。
Shephard[5]用 MDS 的空間位置距離觀念，做為基礎之 模式，因為在計算或測試數據之處理上皆較容易，故成為 至今為止較多研究會採用做為討論之基礎。至於特徵突顯 性方面，Nosofsky[8] 的 GCM 模式，曾對各向度之突顯性 加權值(weight)有許多討論，都認為向度之 weight 是和注意 力 有 關 ， 也 可 以 在 向 度 空 間 中 表 達 此 特 性 。 在 GCM(Nosofsky[7]) 是 以 weight 之 大 小 ， 來 對 向 度 之 stretch(weight 較大時)，或 shrink(weight 較小時)表達向度 空間之weight 差異。Tversky[11]則認為特徵突顯性和特徵 發 生 之 密 集 性(intensity) ， 頻 率 (frequency) ， 熟 悉 性 (familiarity) ， 完 整 性 (good form) ， 及 其 資 訊 內 容 (informational content)有關，這些因素都會因實驗目標之內 容性(context)與任務(task)有關。
2. 分類與分類學習
有關認知上分類的模式，最早期有較大影響為 Medin 與Schaffer[12]的 Context Theory，並衍生到後來的 General Context Model(GCM)(Nosofsky[7] [13]) 都 被 歸 類 為 Example Model。GCM 用 Context Model 為基礎，並引用 MDS 來解釋相似性問題。基於上述物體間之認知空間距離 與相似性計算(公式(2)、(3))，在 GCM 模式下，物體 i 位被 歸類為分類J 的機率為：
表一 各樣本圖形的5 種特徵之兩種變量值
特徵代號 特徵名稱 1（偏左值） 2（中間值） 3（偏右值）
A 長方本
體（寬*長） 1:1.4 1:1.618
（黃金比） 1:1.836
B 長邊圓弧處理(R 值) ∞(直邊) 8.4 3.7
C 短邊圓弧處理(R 值) ∞(直邊) 4.4 2.4
D 頂面上緣棱線導圓角(R 角) 0.05 0.1 0.2
E 四角垂直棱線導圓角(R 角) 0.05 0.1 0.2
P（J│i）＝
(4)
Sij 代表物體 i 與屬於 J 類的其中任一個構成元素
(example) j 之相似性，而 Σ Sij即i 與所有 J 類中構成元素 (examples)的相似性總和。所以 i 會歸類到 J 類的機率，為 i 與 J 類的相似性總和，和其與所有可能類別（共有 K 類）
的相似性總和之比值。
總之，通泛性的Example Model 的共同特性，皆是每 一新物體與所有類別之構成元素相比較，並計算其相似性 在各類別之總和的比值，以決定其可能在某一特定類別之 機率。由於Example Model 都假設辨識過程中，要做繁複 之逐一比較的計算過程，似乎是不可能在複雜情況下適 用。除了Example Model 之外，另一種 Prototype Model(Smith and Minda[14])則認為受測者在學習之初期，會在記憶中產 生一種較抽象性的原型(prototype)做為各類別的代表性原 型，它具有同一類別構成元素中，所共同具有之特徵。受 測者在做分類時，並不一定會以Example Model 的方式逐 一 和 同 類 之 各 元 素 比較 相 似性 ， 而 是 僅 和 代 表 性原 型 (prototype)做比較，再以相似性大小決定類別。
延續視覺結構化處理之論點，Nelson[15]為了要探討受 測者對特徵的處理方法，是將個別特徵突顯化，或是將許 多特徵彼此融合而形成一共同特徵，再以較相似的圖形屬 同一類原則，做為判定圖形之分類的機制。因此，將一系 列特定的特徵結構圖形各分成兩類，做為受測者事先學習 的樣本，再以兩種測試樣本(critical 及 close 圖形)來探知受 測者事先學習的行為。Nelson[15]從結果中認為相對於特徵 之 各 別 分 析 化 處 理 ，整 體 化處 理 之 機 制 是 更 易 於解 釋 Nelson[15]所發覺之現象，尤其是在很多向度間有整合性關 係時，或者在心智上迫切需要多源資訊釐清以減輕負荷 時，會經常要依賴整體性處理機制。Ward[16] 也相信人類 對特徵之處理，是一種結構性關係，它非只對個別特徵之 差 異 而 決 定 類 別 區 隔， 而 是用 一 群 有 特 殊 關 係 的結 構 (cluster of correlated attributes)形成一種家族類似性的分類
圖1 本實驗五種特徵之個別位置
結構(family-resemblance category structure)。Ward[16]的研 究主要將依據此論點和不同年齡之心智發展差異，及學習 者意向的差異(分為刻意與不經意之學習)，從受測者對分類 決定的差異做為探討之依據，並認為其行為之差異是源自 於多種因素，例如各特徵之突顯性（或稱比重）的差異，
觀察學習方式之差異，刺激源特徵操控的差異、測試方法 之差異，及測試時受測者之注意力情況等。
三、研究方法與實驗設計
1. 實驗樣本素材規劃
本研究的樣本採用長方體為基礎，再從此塊体依據實 驗所要探討之特徵，各賦予不同的特徵組合，以衍生出之 各種特徵組合的立體圖。為了決定適當的特徵及變量範 圍，在研究初期先咨詢 7 位分別具有設計實務與教學背景 的專家，並採用大多數專家共同認為在操弄一個塊体時，
其經常會被改變五個特徵，如圖1 所示。
為了決定五個特徵變量的範圍，依據對工業造形所慣 用對基本長方體的特徵演變方法，確定其變量範圍是一般 在產品設計較易被接受的特徵變化幅度，故本研究最後規 劃出每種特徵各有三種尺度變化，其尺度數值分別如表一 所示。各特徵之尺度的決定，主要是為了能讓受測者感受 其差異性，但又希望保有相當程度之合理的工業造型的特 徵，以免受測者在太過於突騖感覺下影響判斷結果。
D(Radius of the top
horizohtal edges) A(Ratio of the width to length of the rectangle)
B(Curvature of the arc of the longer sides)
C(Curvature of the arc of the shorter sides) E(Radius of the 4 vertical edges)
（Σ Sij） jεJ
〔Σ（Σ SiK）〕 K kεK
表二 以A 為主要特徵之兩類圖形之特徵分佈
第Ⅰ類 第Ⅱ類
特徵
圖形 A B C D E 特徵
圖形 A B C D E A1 1 1 1 1 2 B1 3 3 3 3 2 A2 1 1 1 2 1 B2 3 3 3 2 3 A3 1 1 2 1 1 B3 3 3 2 3 3 A4 1 2 1 1 1 B4 3 2 3 3 3
圖2 以 A 特徵為主要特徵時的兩類圖形
每一個立體圖形皆由上述 A、B、C、D、E 五種特徵 所組成，每個特徵各有代碼”1”，”2”及代碼”3”的相對尺度 值。在本研究中，為方便後續討論中對各圖形特徵分佈之 敘述，分別以 1、2、3 三種代碼來標示 A、B、C、D、E 五種特徵的三種變量，例如圖名為”P12331”，其五個特徵 的代碼與參數值（參閱表一）：代表A 特徵代碼為 1（參數 值1：1.4），B 特徵代碼 2（參數值 R=8.4），C 代碼為 3（參 數值R=2.4），D 代碼為 3（參數值 R=0.2），E 代碼為 1（參 數值R=0.05）。
為了能控制讓立體圖形被評估的因素，僅只有 5 種形 的特徵變化在影響，故需排除和形體無關的視覺因素。本 研究中利用電腦 3D 繪圖軟體 MicroStation 的參數實體工 具，分別繪製出所有立體圖形的影像圖片，並刻意使每一 圖片的立體視角、透視角度、素面色彩、光度、圖片大小
（每張皆800×510 pixel）等因素，都控制在相同情況下，
並能最清晰呈現所有5 個特徵部位的變化。
2. 實驗理論架構
依 據 人 類 分 類 行 為 的 各 項 理 論 ， 本 研 究 將 參 考 Nelson[15] 的實驗做為主要實驗架構。在 Nelson 研究中，
是以2D 的卡通圖形為主要測試圖形，且僅操弄四個特徵作 為圖形之變化依據。在本研究中，則希望能探討3D 基本形 體，並以五個特徵（A、B、C、D、E 等五種）的變化作為 主要測試樣本。
本研究初步規劃原本兩類各有 4 個圖形之特徵分佈情 形，在此僅以A 特徵做為主要特徵 (critical feature) 的分類 依據為例來說明，其兩類圖形的特徵分佈如表二，圖形則 如圖2。
很明顯地，A 特徵在第Ⅰ、Ⅱ類圖形之分佈具有明確 規則性，分別為在第Ⅰ類圖形皆為 1 值，而在第Ⅱ類圖形 皆為3 值；至於 B、C、D、E 特徵則雖也具相當規則性，
圖3 兩類的原型 (Prototype) 圖形
圖4 兩個關鍵性(critical)圖形
但在每類的4 個圖形中皆有其中一個例外。此外，第Ⅰ、
Ⅱ 類 圖 形 似 乎 各 具 有一 共 同之 原 型 ， 分 別 為 第 Ⅰ類 的 P11111 及第Ⅱ類 P33333 圖形（圖 3）。此原型 (prototype) 圖形，雖不在兩類中出現，但卻是和兩類圖形最相似之圖 形，它是代表兩類圖形之整體性感覺的形體。
在此設計情況下，要知道受測者到底是以A 特徵之變 化為分類依據，或是以兩類圖形之共同原型為分類依據，
可藉由另兩個新圖形，由受測者做為判斷該屬於何類圖形 而得知其分類行為。此兩個圖形稱作為關鍵性(critical)圖 形，其特徵分別為T1:P13333 及 T2:P31111（圖 4）。
如果圖形T1 被歸類為第Ⅰ類，則很明顯地受測者是以 單一的A 特徵變化做為判斷依據；反之如果圖形 T1 被歸 類為第Ⅱ類，則受測者是以第Ⅱ類之整體性感覺產生的原 型 (P33333) 做為比較之依據。同樣的，圖形 T2 若被歸類 為第Ⅱ類，則是以單一之 A 特徵變化為依據；若圖形 T2 被歸類為第Ⅰ類則是以第Ⅰ類整體性之原型 (P11111) 為 比較依據。
除了A 特徵在兩類變化具有完全規則性外，其它 B、
C、D、E 只有一個例外，但大致也具有規則性。如果 B、
C、D、E 特徵之突顯性比 A 特徵更強時，有可能原先依 A 特徵做為分類依據情況，會被其它特徵所取代。如果此現 象真的發生，則可以據此判斷特徵間之突顯性的差異程 度。為了更進一步驗證此情況發生的可能性，本研究將再 進一步設計另外8 個圖形，是類似於上述兩個關鍵性圖形 以A 特徵的考慮，此時分別以 A 特徵以外的另 4 個特徵的 變化為主要依據，稱之為近似性 (close) 圖形。此 8 個圖形 (T3～T10)之特徵分佈，請參看表三的 A 特徵為主要特徵之 圖形。
和A 特徵同樣道理，如果圖形 T3、T4、T5、T6 及圖 形T7、T8、T9、T10 分別被歸為第Ⅰ、Ⅱ類，則有可能是 以Ⅰ、Ⅱ類的原型 (P11111) 及圖形 (P33333) 為依據，但
第Ⅰ類原型：P11111 第Ⅱ類原型：P33333
T1：P13333 T2：P31111
第Ⅰ類 第Ⅱ類
表三 主要特徵之圖形
主要特徵 A B C D E
特徵 A B C D E A B C D E A B C D E A B C D E A B C D E A1 1 1 1 1 2 1 1 1 1 2 1 1 1 1 2 1 1 1 1 2 1 1 1 2 1 A2 1 1 1 2 1 1 1 1 2 1 1 1 1 2 1 1 1 2 1 1 1 1 2 1 1 A3 1 1 2 1 1 1 1 2 1 1 1 2 1 1 1 1 2 1 1 1 1 2 1 1 1
第Ⅰ類
A4 1 2 1 1 1 2 1 1 1 1 2 1 1 1 1 2 1 1 1 1 2 1 1 1 1 B1 3 3 3 3 2 3 3 3 3 2 3 3 3 3 2 3 3 3 3 2 3 3 3 2 3 B2 3 3 3 2 3 3 3 3 2 3 3 3 3 2 3 3 3 2 3 3 3 2 2 3 3 B3 3 3 2 3 3 3 3 2 3 3 3 2 3 3 3 3 2 3 3 3 3 2 3 3 3
第Ⅱ類
B4 3 2 3 3 3 2 3 3 3 3 2 3 3 3 3 2 3 3 3 3 2 3 3 3 3 T1 1 3 3 3 3 3 1 3 3 3 3 3 1 3 3 3 3 3 1 3 3 3 3 3 1 圖形
關鍵
T2 3 1 1 1 1 1 3 1 1 1 1 1 3 1 1 1 1 1 3 1 1 1 1 1 3 T3 1 1 1 1 3 1 1 1 1 3 1 1 1 1 3 1 1 1 1 3 1 1 1 3 1 T4 1 1 1 3 1 1 1 1 3 1 1 1 1 3 1 1 1 3 1 1 1 1 3 1 1 T5 1 1 3 1 1 1 1 3 1 1 1 3 1 1 1 1 3 1 1 1 1 3 1 1 1 T6 1 3 1 1 1 3 1 1 1 1 3 1 1 1 1 3 1 1 1 1 3 1 1 1 1 T7 3 3 3 3 1 3 3 3 3 1 3 3 3 3 1 3 3 3 3 1 3 3 3 1 3 T8 3 3 3 1 3 3 3 3 1 3 3 3 3 1 3 3 3 1 3 3 3 3 1 3 3 T9 3 3 1 3 3 3 3 1 3 3 3 1 3 3 3 3 1 3 3 3 3 1 3 3 3 近似
圖形
T10 3 1 3 3 3 1 3 3 3 3 1 3 3 3 3 1 3 3 3 3 1 3 3 3 3
表四 實際測試之分類結果
A 特徵 B 特徵 C 特徵 D 特徵 E 特徵
第Ⅰ類 (％)
第Ⅱ類 (％)
第Ⅰ類 (％)
第Ⅱ類 (％)
第Ⅰ類 (％)
第Ⅱ類 (％)
第Ⅰ類 (％)
第Ⅱ類 (％)
第Ⅰ類 (％)
第Ⅱ類 (％) T1 14.7 85.3 11.8 88.2 0.0 100.0 41.2 58.8 11.8 88.2 T2 94.1 5.9 79.4 20.6 97.1 2.9 52.9 47.1 73.5 26.5 T3 97. 2.9 88.2 11.8 88.2 11.8 88.2 11.8 67.6 32.4 T4 61.8 38.2 61.8 38.2 52.9 47.1 97.1 2.9 94.1 5.9 T5 97.1 2.9 100.0 0.0 70.6 29.4 79.4 20.6 76.5 23.5 T6 82.4 17.6 94.1 5.9 94.1 5.9 94.1 5.9 94.1 5.9 T7 0.0 100.0 0.0 100.0 0.0 100.0 0.0 100.0 2.9 97.1 T8 11.8 88.2 8.8 91.2 20.6 79.4 0.0 100.0 0.0 100.0 T9 0.0 100.0 0.0 100.0 11.8 88.2 2.9 97.1 0.0 100.0 T10 17.6 82.4 11.8 88.2 5.9 94.1 2.9 97.1 5.9 94.1
圖5 分類判斷時的 50 個畫面之其中一個例子
也有可能是以A 特徵的單一變化為依據。然而，假使發生 在某一個特徵，它雖然不是像A 特徴為主要特徵時的一致 分佈，例如在圖形T4 中，因其 D 特徵代碼為 3，如果卻被 歸為第Ⅱ類；而圖形T8 的 D 特徵為 1，卻被歸為第Ⅰ類，
則此時可能僅是以D 特徵的單一變化為主要依據。此時就 可以推論因為D 特徵的突顯性很強，所以會導致受測者會 受其干擾先前的以單一的A 特徵變化做為判斷依據，或以 整體性感覺產生的原型 (P33333) 做為比較之依據，因為如 果依據先前兩種分類方法，圖形 T4 只有可能被歸為第 I 類，不會有第Ⅱ類情形發生，除非D 特徵極為突顯，才會 破壞此結果。
以上的實驗設計討論，僅以A 特徵為主要特徵 (critical feature)，本研究則將再依序以 B、C、D、E 分別做為主要 特徵，來進行兩類圖形之分類依據，並以相同之原則，在B、
C、D、E 特徵為主要特徵情況下，分別設計兩個關鍵性圖 形，及8 個近似性圖形，整理出各圖形的各特徵代碼，如 表三，如此將可以進一步驗證在 5 種特徵分別做為主要特 徵依據時，受測者是否會有反應上之差異。
3. 研究假設
為了進行後續實驗進行的討論依據，本研究將依據以上 的實驗設計架構，及各項分類行為的理論，預做幾項假設。
受測者在進行分類判斷時，可能會依下列幾種行為模式：
第Ⅰ類 第Ⅱ類
(一) 整體性 (holistic) 處理：受測者或許不會去注意個別特 徵之變化，而是以整體瀏覽方式，觀察所有特徵較共 同的變化傾向，而在心智中形成一特定之共同原型 (prototype) ， 例 如 圖 3 中 ， 第 Ⅰ 類 之 共 同 原 型 為 P11111，Ⅱ類為 P33333，再以各類之原型做為與新圖 形比較之依據。
(二) 以主要特徵的變化做為分類的規則(rule)依據：依照本 研究的實驗設計，受測者如果可以明確地看出Ⅰ、Ⅱ 類的圖形，皆以兩類圖形中始終一致的主要特徵做為 分類之依據（例如表二之A 特徵）時，則推論其在做 分類時是以此項特徵之變化做為判斷的依據。
(三) 以比主要特徵以外的突顯性較強但有例外之特徵做為 分類的(rule-exception)依據：在表二的兩類特徵分佈 時，除了A 特徵外，其它特徵在每類的 4 個圖形中，
除了一個例外之外，在其它 3 個分佈圖形分佈也具有 相當規則性。當其它特徵的突顯性會比 A 特徵更強 時，受測者可能會取代A 特徵，而以較突顯之特徵變 化做為分類依據，至於唯一的例外之情況，則將以特 殊心智處理的方式。
4. 實驗進行
全體受測者共有34 人。年齡分佈從 19-25 歲，主要為 雲林科技大學設計學院之大一學生。首先，將依據表三的 圖形規劃，分別以 A、B、C、D、E 特徵，依序做為主要 特徵的兩類各四個圖形，將第Ⅰ、Ⅱ類以左右滙聚的方式，
在螢幕上呈現。在受測者面前，事先以PowerPoint 製作之 影像，分別依 A、B、C、D、E 為主要特徵的分類情況呈 現。首先以Ａ特徵的第Ⅰ、Ⅱ類圖形一起出現，在無時間 限制狀況下由受測者以自己覺得能以合理的方式去理解分 類之依據後，然後進行新圖形的分類。其呈現的方式是保 持原有第Ⅰ、Ⅱ類圖形在原本位置，而要進行判斷分類之 圖形，在每一種主要特徵分類中（共有5 種分類學習），皆 各有10 個不同之判斷圖形（T1-T10， 請參看表三）情況 下，逐一地將每個要判斷的圖形呈現在兩類圖形之間的下 方（圖5 是 A 特徵為主要特徵時，進行 T2 圖形之分類的 例子），請受測者判斷此新圖形應屬於哪一類圖形，並將判 斷結果填於事先準備好的表格之對應空格上。如此將所有 新圖形中的 2 個關鍵性圖形(T1, T2)及 8 個近似性圖形 (T3-T10)依序地出現，並依序由 A、B、C、D、E 為主要特 徵依序進行。即以Ａ特徵為主要特徵情況下，依序判斷10 個新圖形的所屬類別，再完成後面依序進行 B、C、D、E 特徵為主的分類判斷，總共有50 個分類判斷。受測者將在 不受時間限制下，依自己步調來進行實驗。
四、實驗結果
由答案卡統計各測試圖形的分類次數，換算成百分
比，即受測者面對每個測試樣本時，分為第I 類與第 II 類 的分類之實際測試平均機率。以機率 50%做為判斷基準，
測試圖形在該類之機率大於 50%者，則傾向判定為該類，
小於 50%則傾向判定為另一類。首先，觀察各五種特徵的 測試圖形中，藉由受測者對關鍵性圖形 T1、T2 的分類結 果，可瞭解受測者是以何種思考方式進行分類的判斷；如 果 T1 被歸為第 I 類，則受測者是以單一主要特徵的變化 (rule)做為分類依據；反之，將 T1 歸為第 II 類，則是以整 體性原型 (prototype) 的相似度做為分類之依據。同樣的，
將T2 歸為第 II 類，是以單一特徵的變化做為分類判斷；若 將T2 歸為第 I 類，則是以整體性原型進行分類。觀察表四 中，5 種各別特徵為主要操弄特徵時，受測者對 T1、T2 的 分類都符合第一項假設，即是以整體性原型 (prototype) 的 相似度做為分類時的主要標準，但程度上有差異。這其中 在以C 特徵為主要特徵時，受測者的分類結果很明顯完全 是以整體原型相似度做為分類依據，接近100%的比例，顯 示受測者對短邊圓弧(C 特徵)的單一規則變化，是相當不敏 感的，甚至完全忽略此造形特徵的變化。然而在這五種特 徵之中，當以D 特徵（頂面上緣棱線圓角）為主要操弄特 徵變化時，受測者的分類結果呈現以單一D 特徵，與整體 原型相似性的判斷機率幾乎各半的分類結果，顯示受測者 在面對此一特徵的變化時，在圖形的分類上有兩種準則在 交互影響；同時，也指出在全部的特徵中，形體外觀頂面 上緣的圓角形狀（D 特徵）之大小變化，對受測者來說是 相當重要的一項特徵變化。
進一歩觀察各特徵中，T1 被分為第 I 類的比例與 T2 被分為第II 類的比例，做為判斷受測者是否會以主要特徵 的變化做為分類傾向的依據，即代表該特徵單獨的差異較 受到注意，即特徵較突顯。因此，歸納出受測者在進行長 方體外觀的分類時，以此五項特徵變化為主的平均機率為：
頂面上緣棱線圓角(44.15%)：D 特徵＞四角垂直棱線圓角 (19.15%)：E 特徵＞長邊圓弧(16.20%)：B 特徵＞長方本體 (10.30%)：A 特徵＞短邊圓弧(1.45%)：C 特徵。相對來說，
受測者在進行分類時，面對以E、B、A 與 C 為主要特徵的 情況下，會較明顯傾向以整體原型相似性進行分類；但是 當以D 為主要特徵時，受到此特徵變化的影響較強烈，使 得受測者則造成依單一特徵的變化規則性(rule)，及整體特 徵的原型(prototype)做為判斷分類標準相抗衡的情況。
接著觀察在表四中T3～T10 的分類結果，於 A、B、C、
D、E 各特徵的測試圖形中，都有將 T3、T4、T5、T6 歸為 第I 類，且 T7、T8、T9、T10 歸為第 II 類的情形。根據 Nelson[15] 的實驗理論說明，這樣的分類現象顯示受測者 在分類時，主要是將圖形與心中的抽象性原型 (prototype) 相比較相似度，也有可能是以主要特徵(critical feature)單一 規則變化，即符合第一、二項假設，來進行分類。
仔細觀察T3～T6 的數據，於 A、B、C 特徵中，分類 意象最為不明確(即趨近中間值的 50%)的是 T4 圖形，及在
E 特徵中的 T3 圖形；在這四種情況下，其特徵的編排中，
D 特徵都是為和第 I 類原型不同的 P11131 圖形。此現象，
依據第三項假設，說明了在A、B、C 及 E 特徵下，受測者 對該圖形之分類意象，會受到D 特徵之單獨變化，干擾其 原本以prototype 及 rule 為主的分類的情況產生（尤其是遇 到最弱的C 特徵為主的分類最為明顯）。因為 D 特徵的突 顯性相當強，而在A、B、C、E 特徵為主的分類情況下，
D 特徵在兩類的分佈中，會改以特殊例外的依據單一特徵 變化做為判斷基礎，以致使原本傾向以第一、二項假設為 主的分類基準有減弱，而第三項假設出現的情況。即使如 此，上述狀況，只會干擾在第I 類的以 prototype 為主的分 類基準，但在第II 類的 T8 圖形則沒有麼明顯。也就是只有 在同一類中，如果D 特徵為大圓角(D=3)會比小圓角(D=1) 具有干擾性。
由以上對關鍵性 (critical) 圖形與近似性 (close) 圖形 的分析，可以推論受測者在面對已刻意安排的分類情境 下，是以整體性過程進行分類的判斷，但在程度上仍屬於 稍弱的整體性過程 (weak version of holistic processing)。原 因在於受測者有時仍會受到突顯性較強的單一特徵向度
（例如D 特徵）的變化而干擾原有的分類標準；雖然受測 者在面對大部分的圖形樣本進行分類時，會將樣本中各特 徵的變化以整體性的原型(prototype)角度觀察，但是在面對 特定具有較強特徵的測試圖形時(P11131、P33313)，會動搖 原本以整體性相似度做為分類的判斷，轉而考慮到單一但 有例外(rule-exception)特徵的變化。
五、分析與討論
本研究藉由實驗結果，發現受測者在進行分類判斷 時，會以各類別之原型(prototype)做為主要判依據，但在某 些特定狀況卻又會受到單一特徵但有例外(rule-exception) 之變化，來干擾其判斷結果，此種情形尤其發生在單一特 徵的變化較受到注意時，也就是其突顯性較強時。此種結 果和Nosofsky[7] 所提出的 General Context Model (GCM) 模式中，強調受測者的分類結果會受各個特徵之突顯程度 影響有關。因此，本研究後續之分析討論，將以Nosofsky [7]
的GCM 模式為基礎，在考慮各特徵之突顯性下，導出各種 分類的預測結果，再將其與本實驗之實際分類結果相比 較，以驗証GCM 模式的有效性。有關本實驗測試圖形所採 用之五種特徵的各別突顯性強度，在先前的研究中，都同 樣是以相同的特徵之分佈的圖形樣本進行研究，分別以32 個圖形之自由意志分類(Hsu 等人[17])，及毎兩個圖形間比 較其相似程度(Chang and Hsu[18])，並曾分別利用迴歸分析 計算出本研究樣本的五個特徵(XA、XB、XC、XD、XE)的各 別權重（突顯性）與認知距離(dij)之關係，即：
自由意志分類：
dij＝0.14 XA＋0.05 XB－0.02 XC＋0.75 XD＋0.41 XE
兩兩形體相比：
dij＝0.53 XA＋0.21 XB＋0.03 XC＋0.58 XD＋0.32 XE
本研究之後續討論，將以上述兩種實驗所計算出之權 重，分別以GCM 模式公式，計算出分類的預測機率，再與 本實驗之結果相比較。一則藉以驗證GCM 模式的有預估之 有效性，再則可用兩組不同權重的數據，比較何組能較與 實際結果相接近，來藉以判斷受測者在本實驗中的分類判 斷機制，和先前之何種實驗的判斷情境較為接近。
1. 特徵權重與 GCM 模式
透過以上各特徵權重與認知距離間的線性方程式，可 經由以下之計算，再次將實驗一實驗的分類結果，與加入 權重後的GCM 模式計算出之分類預估機率相比較，以檢驗 GCM 模式預測之準確性。利用權重數據在 GCM 模式下計 算分類機率之步驟如下所述：
(一) 計算認知距離 (dij)：經由先前之自由意志分類及兩兩 形體相比實驗，所導出之各特徵之權重(Wk)，再導入公 式(3)，求得各測試樣本分別對不同類別中之樣本的認 知距離，至於各別受測者之敏感度的C 值，由於在此 採用的是所有受測者的數據，故不予計入。由於圖形 中有特徵代碼為 1、2、3 的圖形樣本，因此，在特徵 間差異值(Xik-Xjk)的判定上，由於實驗設定的五種特徵 變量間尺寸數值有明顯的大小層次關係，因此以「序 列」的方式計算，特徵值差異2 階者（例如特徵 1 與 3 之差異）以1 計算，差 1 階者（例如特徵 1 與 2，或 2 與3 之差異）以 0.5 計算，而相同者以 0 計算，即差異 值分別為0、0.5、1。
(二) 計算物體間相似性 (Sij)：透過步驟(一)得知各測試圖形 對應各分類圖形的認知距離，接著，以Nosofsky [7] 所 提出的公式，將認知距離 (dij) 轉換為物體相似性 (Sij) 的數值（公式2）。
(三) 圖形樣本之分類機率：在得知各測試圖形對分類圖形 的相似度後，即可以此數據代入General Context Model 中，推測各測試圖形的分類機率（公式4）。
2. 自由意志分之權重預估圖形分類機率與實際結果比較 表五為自由意志分類狀況下計算出之權重，利用GCM 計算出分類機率，粗黑框部分為與實際結果（表三）之分 類機率（以大於或小於50%為基準）分佈較有差異之處。
由表五中的粗黑框可以看出，在A、B、C 特徵為主要 特徵時，對圖形T4、T8，及 E 特徵時的 T3、T7 圖形的計 算，在加入權重後的GCM 預測的分類結果與實際的情形有 相當明顯的差異。這些圖形的代碼為P11131 和 P33313，此 和在D 特徵的變化上有很大的關係。很明顯的，D 特徴的 影響性有被過於高估，以致於原本在實際狀況中，即使 D 特徴會使以 prototype 的分類判斷受到干擾，但 prototype
表五 以自由意志分類實驗之權重的GCM 分類機率
A 特徵 B 特徵 C 特徵 D 特徵 E 特徵
第Ⅰ類 (％)
第Ⅱ類 (％)
第Ⅰ類 (％)
第Ⅱ類 (％)
第Ⅰ類 (％)
第Ⅱ類 (％)
第Ⅰ類 (％)
第Ⅱ類 (％)
第Ⅰ類 (％)
第Ⅱ類 (％) T1 32.0 68.0 28.7 71.3 26.3 73.7 57.8 42.2 43.1 56.9 T2 68.0 32.0 71.3 28.7 73.7 26.3 42.2 57.8 56.9 43.1 T3 60.2 39.8 59.7 40.3 59.3 40.7 63.9 36.1 49.4 50.6 T4 47.7 52.3 47.2 52.8 46.8 53.2 77.1 22.9 75.6 24.4 T5 74.3 25.7 73.9 26.1 71.4 28.6 75.2 24.8 73.6 26.4 T6 72.3 27.7 69.0 31.0 68.6 31.4 72.6 27.4 70.9 29.1 T7 39.8 60.2 40.3 59.7 40.7 59.3 36.1 63.9 50.6 49.4 T8 52.3 47.7 52.8 47.2 53.2 46.8 22.9 77.1 24.4 75.6 T9 25.7 74.3 26.1 73.9 28.6 71.4 24.8 75.2 26.4 73.6 T10 27.7 72.3 31.0 69.0 31.4 68.6 27.4 72.6 29.1 70.9
表六 以兩兩相比實驗之權重的GCM 分類機率
A 特徵 B 特徵 C 特徵 D 特徵 E 特徵
第Ⅰ類 (％)
第Ⅱ類 (％)
第Ⅰ類 (％)
第Ⅱ類 (％)
第Ⅰ類 (％)
第Ⅱ類 (％)
第Ⅰ類 (％)
第Ⅱ類 (％)
第Ⅰ類 (％)
第Ⅱ類 (％) T1 41.9 58.1 29.2 70.8 23.1 76.9 44.1 55.9 33.3 66.7 T2 58.1 41.9 70.8 29.2 76.9 23.1 55.9 44.1 66.7 33.3 T3 71.2 28.8 69.5 30.5 68.6 31.4 71.5 28.5 61.4 38.6 T4 62.6 37.4 60.7 39.3 59.7 40.3 79.5 20.5 78.4 21.6 T5 79.2 20.8 77.9 22.1 72.0 28.0 74.7 25.3 73.5 26.5 T6 74.5 25.5 62.5 37.5 61.5 38.5 64.6 35.4 63.1 36.9 T7 28.8 71.2 30.5 69.5 31.4 68.6 28.5 71.5 38.6 61.4 T8 37.4 62.6 39.3 60.7 40.3 59.7 20.5 79.5 21.6 78.4 T9 20.8 79.2 22.1 77.9 28.0 72.0 25.3 74.7 26.5 73.5 T10 25.5 74.5 37.5 62.5 38.5 61.5 35.4 64.6 36.9 63.1
的分類判斷還是超越 50%，而以 D 特徵做 Rule-exception 的分類依據，其比例還不致於會超過 50%。這種預估和實 際情況相差異的現象，都是導因於D 特徵的突顯性特別高 估，故其計算預測結果會和實際結果不竟相符。
同樣D 特徵的突顯性被高估的情形也出現在 D 特徵的 T1、T2 兩個圖形，透過對 T1、T2 圖形預測分類之計算結 果，發現當以A、B、C、E 為主要操弄特徵的情況下，受 測者偏向以整體性的相似度作為分類的依據，與實際結果 相同，但當以D 特徵為主要操弄特徵時，其預測結果偏向 以單一D 特徵的變化進行分類判斷，與實驗結果不同。
3. 兩兩相比之權重預估圖形分類機率與實際結果比較 表六為加入在兩兩圖形相比實驗，所得之權重後的 GCM 模式分類推測機率（以是否超出 50%為基準）。其分 類預測和實際結果相吻合，沒有出現不同的現象，代表兩 兩相比實驗所得之權重數據，較適用於解釋本實驗受測者 的行為。受測者在本研究的實驗中，由於是將測試圖形同 時與兩類各4 個圖形相併排例做比較（如圖 5 情形）。由於 所要處理圖形的資訊，相較於先前自由意志的實驗要同時 處理32 個圖形同時做比較與分類，其資訊的負荷量要小很
多。受測者在時間充裕的實驗情境下，可以逐一地比對測 試圖形與兩類各個圖形的差異程度，故使用兩兩相比實驗 所得之各特徴的權重值，較符合本實驗之情形。即使如此，
以A、B、C 特徵為主時之 T4、T8 及 E 特徵為主的 T3、
T7 圖形，仍是相對有受到 D 特徵單獨變化時的干擾。而在 實際狀況，測試圖形之D 特徴為只有在大圓角(D=3)時，會 干擾到 prototype 的分類行為，但在小角(D=1)時，卻不明 顯。此點和這裡的預測，不論大小圓角皆會有相同明顯干 擾的情況，卻有些不同。
六、結 論
從實驗結果發現，受測者在進行分類判斷時，確實會 傾向以各類別圖形中之假想原型(prototype)來進行比較，以 決定新圖形所屬的類別。可是，此種行為特性，在各個不 同主要特徵操弄的情況下，卻有不同程度的差異，此似乎 和某些單一特徵受到注意的程度有關。受測者在面對以主 要特徵之一致性的規則，來進行分類的情況時，則較無法 變通轉換利用此規則。除非該主要特徴的突顯性很高，例
如表四中 D 特徴的 T1 及 T2 兩個圖形的情況，此時會因 prototype 與 Rule 兩種分類方式相衝突，產生較為紛亂的分 類判斷。
為了將各特徵的突顯性因素也納入，來做進一歩的討 論，本研究利用先前自由意志分類及兩兩相比實驗所計算 出之各特徵權重，進行General Context Model (GCM) 的分 類機率推測，與實驗的圖形分類結果相比較，驗證GCM 模 式的分類推論假設，藉以檢視GCM 模式之推論是否可以完 善解釋本實驗受測者的分類現象。
從本研究所引用先前兩種不同實驗，所計算出之兩組 不同權重值來預估分類機率與實際狀況相比較，發現在兩 兩相比情況下計算出之特徵權重，跟實際結果較相符合。
從此處可以証明，受測者在進行本研究之分類實驗時，其 辨識與判斷行為，和與各個圖形的逐一比較彼此相似性，
以計算各特徵的權重值方式較相近。在 GCM 模式的理論 中，面對圖形的分類是將新圖形與各類的每一圖形相比，
逐一比較構成特徵間的相似程度，並計算新圖形與各類別 所有圖形的相似度總和，與所有類別之相似度總和的比 值，比值大者即分為該類。由預測與實際結果相符可發現，
GCM 模式適合於以整體性相似性的計算，做為分類的標 準，且加入各特徵的權重值後會更加完整；但如果某些特 徴的影響性過度強化時，則較無法變通轉換利用此模式。
例如表五中自由意志分類所計算出之D 特徴的加權值，此 時會因過度強化，產生預測與實際結果較為紛亂的情形。
從研究結果發現，一旦單一特徵的突顯性很高時，其 單一特徵之變化對於以原型做為分類基準的原則，會產生 干擾現象。此無論在實際結果，或以兩組權重數據所預估 之分類機率，皆可看出此種情況。GCM 模式確實可以有效 地預測結果，但其先決條件是其所採用之特徵權重，要符 合實際實驗之情況，才會有正確相近之結果。即使如此，
本研究在實際實驗結果中，D 特徴只會在大圓角的狀況下 會傾向選擇以此特徴做為分類依據，但D 特徴在小圓角時 卻不會有此現象。此也驗證 Tversky[11]的特徵比對模型 (feature contrast model) 中 ， 強 調 相 似 性 的 非 對 稱 性 (asymmetry)現象。但這種現象卻無法用 GCM 模式來解釋。
從實驗結果與GCM 模式所做之推論來比較，可發現 GCM 模式可預測出絕大部份之情況，但卻無法有效地處理相似 性的非對稱性問題，此時也只能用Tversky 的特徵比對模型 (feature contrast model)來討論。
本研究藉由基本幾何型態為樣本，希望有效控制實驗 圖形之特徵構成與差異關係，冀能在限制的實驗變異下，
以得到明確之實驗結果。其意義在針對人類特徵型態辦識 之行為特性，做基礎性之理論研究。然而，其結果應用在 實際之產品上，仍有一段距離，主要問題是如何能對實際 產品之多元變量(除了形外的特徵外，另有材質、色彩、加 工特性…等)能做有效控制，實有待後續之研究，做更深入 之探討。本研究發現之結果，也只能適用於本實驗中（圖5）
相類似之情況的分類行為的解釋，至於其它種之分類行 為，則也需要用不同之情境設計，來繼續探究。本實驗受 限於採用之實驗方法，及引用GCM 模式之分析討論時，只 能引用全體受測者之數據結果的種種限制，故並未能針對 各別受測者之行為做深入討論，實為最大不足之處。本研 究的結果，將有助於未來在針對造型學的研究中，有關型 體特徵與風格類別印象之塑造時，對於各別特徵的突顯性 與整體概念原型的塑造等議題，皆可做為研究之基礎，而 有更進一歩引伸探討的空間。
參考文獻
1. Hampton, J., and Dubois, D., “Psychological Models of Concepts: Introduction,” In Iven Von Mechelen etc , Categories and Concepts, Academic Press (1993).
2. Goldstone, R. L., Lippa, Y., and Shiffrin, R. M., “Altering Object Representations Through Category Learning,” Cog- nition, Vol. 78, pp. 27-43 (2001).
3. 張悟非，「結構化形體特徵感知與情感意象之關係」，
科 技 學 刊 ，第 十 三 卷 科 技 類 第 三 期 ， 國 立 雲 林 科 技 大 學 ， 第219-230 頁 (2004)。
4. 張悟非，「形體特徵對分類行為的意象空間之影響」，
技 術 學 刊 ，第 十 九 卷 ， 國 立 台 灣 科 技 大 學 ， 第 249-258 頁 (2004)。
5. Shepard, R. N., “Multidimensional Scaling, Tree-Fitting, and Clustering,” Science, Vol. 210, pp. 390-398 (1980).
6. Shepard, R. N., “Discrimination and Generalization in Identification and Classification：Comment on Nosofsky,”
Journal of Experimental Psychology：General, Vol. 115, pp. 58-61 (1986).
7. Nosofsky, R. M, “Exemplar-Based Approach to Relating Categorization, Identification, and Recognition,” In Ashby.
F. Gregory, Multidimensional Models of Perception and Cognition, Lawrence Erlbaum Associates, pp. 363-393 (1992a).
8. Nosofsky, R. M., “Similarity Scaling and Cognitive Proc- ess Model,” Annual Review of Psychology, Vol. 43, pp.
25-53 (1992b).
9. Tversky, A., and Gati, I., “Similarity, Separatibity, and the Triangle Inequality,” Psychological Review, Vol. 89, pp.
123-154 (1982).
10. Ashby. F. G., “Multidimensional Models of Categoriza- tion.” In Ashby. F. G., Multidimensional Models of Percep- tion and Cognition, Lawrence Erlbaum Associates, pp.
449-483 (1992).
11. Tversky, A., “Features of Similarity, ” Psychological Re- view, Vol. 84, pp. 327-352 (1977).
12. Medin, D. L., and Schaffer, M. M, “Context Theory of Classification Learning,” Psychological Review, Vol. 85, pp. 207-238 (1978).
13. Nosofsky, R. M., “Further Tests of an Exemplar-Similarity Approach to Relating Identification and Categorization,”
Perception and Psychophysics, Vol. 45, pp. 279-290 (1989).
14. Smith, J. D. and Minda, J. P., “Prototypes in the Mist： The Early Epochs of Category Learning,” Journal of Experi- mental Psychology：Learning, Memory, and cognition, Vol.
24, pp. 1411-1436 (1998).
15. Nelson, D. G. K.., “The Nature and Occurrence of Holistic Processing,” In Bryan E. Shepp etc, Object Processing, Lawrence Erlbaum Associates, pp. 357-385 (1989).
16. Ward, T. B., “Analytic and Holistic Models of Processing in Category Learning,” In Brygn E. S. & Soledad B., Ob- ject Perception, Lawrence Erlbaum Associates, pp.
387-419 (1989).
17. Hsu, S. H., Chang, W., and Chuang, M., “Effects of Geo- metric form Features on Three-Dimensional Object Cate- gorization,” Perceptual and Motor Skills, Vol. 100, pp.
899-912 (2005).
18. Chang, W. and Hsu, S. H., “Effects of form Feature Struc- ture on Similarity Judgment,” Journal of the Chinese Institute of Industrial Engineers, Vol. 24, No. 5 (2007).
誌 謝
本文為2004 年國科會研究案：NSC-93-2213-E-224- 030 之研究結果。
2005 年 12 月 29 日 收稿 2006 年 01 月 13 日 初審 2006 年 09 月 16 日 複審 2006 年 09 月 25 日 接受
