Content uploaded by Hideyoshi Yanagisawa
Author content
All content in this area was uploaded by Hideyoshi Yanagisawa on Aug 01, 2019
Content may be subject to copyright.
感性設計のための数理モデリング*
（２つのアプローチ）
Mathematical Modeling for Kansei Design
(Two Approaches)
柳澤秀吉*1
(Hideyoshi YANAGISAWA)
Key Words : Kansei, design, mathematical modeling, expectation effect, neural coding, Bayes.
１．はじめに
感性に評価を依存するモノの良さの設計を，感
性設計（Kansei design）という 1)．たとえば，自
動車を例にすると，乗り心地の良さ，気持ちの良
い加速感，操作感，車室内の快適性，質感などが
感性設計の対象となる．これらの，感性に依存す
る品質は，感性品質と呼ばれる．感性品質は，客
観的な数値としてその良さを表すことが難しい．
したがって，開発側の主観、感性に依存したもの
づくりに陥りやすい．また，現物を作ってからで
ないと評価が難しく，設計段階における定量的な
目標設定や系統的な設計が困難とされてきた．
この問題を解決するためには，人の感性をモデ
ル化し，設計で扱う物理量と感性品質の関係性を
定式化する必要がある．本稿では，筆者らが取り
組んできた研究のうち，感性のモデル化のための
二つの異なるアプローチを紹介する．一つ目は，
感性の階層性にもとづく感性データベース（以
下，感性 DB）である（2章）．これは，製品が
発する物理的な感覚刺激（たとえば，空気振動と
しての音）と，それに対する感性（たとえば，音
に対する心地よさ）との関係性を記述したデータ
を格納する DB である 2)．二つ目は，感覚感相互
作用（クロスモーダル）とその本質である期待効
果の数理モデリング 3)である（3章）．前者は，
データにもとづく統計モデリングにより帰納的に
構築する方法である．一方，後者は，脳神経の符
号化原理を基礎とした数理にもとづいて，演繹的
に計算モデルを導出する方法である．それぞれの
アプローチの特徴を考察し，今後の感性設計学の
方向性について議論する．
２．感性の階層性にもとづく感性データベース
2.1 感性の階層性と 2段階の指標化
感性は，いくつかのレベルに分けられる．ここ
では，単一の感覚刺激に対する感覚・知覚，単
数，複数の感覚刺激に対する知覚が複合された結
果生じる情緒的な意味（印象やイメージ），およ
び好き嫌いなどの総合的な判断または態度の三段
階に分けて考える．そして，これらは因果の階層
を成す想定する．製品の音を例にすると，音が大
きい（感覚）→騒々しい（情緒的意味）→嫌い
（態度）という因果の連鎖としての階層性であ
る．ここでは，便宜的に，要因となる側を「下
位」，結果として生じる心象を「上位」と呼ぶこ
とにする．
感覚・知覚レベルの感性は，たとえば，音の大
きさ感と音圧レベルの様に，刺激の物理量と直接
的に対応している場合が多い．一方，印象・態度
レベルの感性においては，必ずしも単一の物理刺
激と一対一対応するとは限らない．たとえば，音
の騒々しさという印象は，単に音圧レベルのみで
はなく，音の甲高さや粗さも寄与するかもしれな
い．したがって，印象・態度レベルの感性につい
て尺度を構成するためには，その意味解釈を下
位・知覚の感覚レベルによって説明する必要があ
る．
筆者らは，感性の階層性にもとづいた感性 DB
の構成を提案している 2)．図 1に示す様に，物理
量，感性指標，および魅力指標からなり，それぞ
れの間の因果関係を関数として定式化する構成で
ある．ここで，感性指標は，感性の階層性におけ
解説
* 原稿受付：2018 年5月5日
*1 正会員，東京大学大学院工学系研究科 (〒113-8656 文
京区本郷 7-3-1)
る感覚・知覚レベルに対応する．また，魅力指標
は意味・態度レベルに対応する．感性指標と魅力
指標を定式化することにより，物理量から感性評
価を予測することが可能となる．ここで，感性指
標は，物理刺激から人が知覚する特徴量であり，
比較的一般的に指標化しやすい．五感の各感覚に
おいて，感性指標に該当する指標が研究，定式化
され，規格化されているものも存在する．
たとえば，聴覚においては，心理音響学
（Psychoacoustics）の分野で音響指標（Sound
quality metrics，以下 SQM）が研究され，音の大
きさ感（Loudness）, 甲高さ（sharpness）,粗さ
（roughness）, 変動感（fluctuation strength）など
が定式化（一部，ISO で規格化）されている．一
方，魅力指標は，設計対象，ユーザー，使用文脈
などのコンテクストにより異なる可能性がある．
そのため，一意に定式化することが難しい．そこ
で，DDP においては，感性指標を変数とした関
数として魅力指標を構築する方法論を定め，それ
にもとづいて魅力指標を作るプロセスが必要であ
る．
図１ 感性データベースの構成［文献 2）より転載］
2.2 魅力指標の作成プロセス
魅力指標の作成方法を説明する．まず，対象製
品の魅力品質となりうる項目を抽出し，言葉で表
現する．そして，その要因となる感覚刺激の特徴
の仮説を立てる．このときに，対象製品や使用状
況の観察，評価グリッド法などの構造的インタビ
ュー，分析者自身による内省，先行研究の調査，
などを駆使する．
つぎに，対象とする製品について，市場に存在
する製品または製品プロトタイプを複数用意す
る．このとき，魅力の要因と仮定した感覚刺激の
特徴が分散する様に，製品サンプルを選定する．
感覚刺激の特徴について感性指標が利用できれ
ば，用意した製品サンプルの感性指標値を算出
し，その値が分散する様にサンプルを選定する．
そして，複数の評価者に製品サンプルを提示
し，それらの感性反応を取得する．感性反応の取
得として，主観，行動，生理の３つのアプローチ
がある．主観は，官能評価法などを用いて言葉や
評価項目に対する得点化によって感性反応を取得
するアプローチである．行動は，製品を使用して
いるときのユーザーの動きやどこを見ているかの
視線移動を計測するアプローチである．生理は，
脳活動，筋活動，脈波，発汗など人の内的な活動
を計測するアプローチである．これらのアプロー
チは取得したい反応に合わせて選択あるいは組み
合わせて用いる．それぞれに長所短所があり絶対
的な優劣はない．ただし，主観は，高価な計測機
器を要さず実施可能であり，また他のアプローチ
と組み合わせて使われることが多い．そのため，
広く用いられているアプローチである．そこで，
本講習会では，主に，主観による感性反応の取得
に絞って話を進める．数ある主観評価法の中で，
対象がもつイメージや印象などの情緒的意味を評
価する場合には，Semantic Differential 法（意味微
分法：以下，SD 法と呼ぶ）がよく用いられる．
SD 法では，「心地良い－不快な」などの反意語
からなる形容詞対を複数用意する．そして，形容
詞間を５または 7段階に区切り，中心を「どちら
でもない」とした評価尺度（以下，SD 尺度）を
設定する．複数の被験者に複数の評価サンプルを
順に提示し，それぞれについて SD 尺度を用いて
印象を評価，得点化してもらう．
最後に，取得した感性反応と，感性指標との因
果関係を定式化する．その方法として様々な手法
が研究されている．実用的に広く用いられている
手法として多変量解析法がある．多変量解析法
は，2変量以上の変量（パラメータ）を扱う統計
解析法の体系である．
この中で，魅力指標に関する感性反応と感性指
標との因果関係を定式化するために，重回帰分析
が利用可能である．重回帰分析は，複数の説明変
数の重み付き和で目的変数を説明するための統計
手法である．求めた回帰式は，感性指標から感性
反応を予測する式として利用できる．また，重み
の正負や大きさを比べることで，どの感性指標が
どの様に魅力指標に影響しているのかを定量的に
議論できる．重回帰分析を実施する際の注意点と
して，説明変数間の独立性がある．説明変数間に
強い相関があると多重共線性（マルチコ：
Multicolinearity）の問題が生じる．その場合，相
関係数の高い変数間でどちらかの変数を説明変数
として用いない様に選択する，または，主成分分
析(Principle Component Analysis)などを用いて，独
立した評価軸を抽出し，それらの説明変数として
重回帰分析を実施するなどの方法がとられる．
図６に，ある製品音の解析結果の一例を示す．
23 種の製品音について，SQM の４つの指標
（loudness, sharpness, roughness, fluctuation strength）
を感性指標として計算した．そして，その値を主
成分分析にかけて第 1主成分，第 2主成分が張る
空間に製品音をマッピングしている．主成分分析
では，
第1主成分 ＝ a11×loudness＋a12×sharpness
＋a13×roughness＋a14×fluctuation strength
第2主成分 ＝ a21×loudness＋a22×sharpness
＋a23×roughness＋a24×fluctuation strength
として，主成分が相互に直交（独立，無相関）
となるように，係数（主成分負荷量）aij を決定す
る．主成分は変数の数だけ抽出できるが，番号が
若い順に情報量（データの分散）が大きくなるよ
うに aij を求める．そのため，番号の若い少数の次
元で，多変量のデータの概観を把握することがで
きる．つぎに，SD 法を用いて製品音の心地よさ
（心地良い-不快）を感性反応として取得し，こ
れを目的変数，感性指標の第 1，第 2主成分を説
明変数とした回帰式，
音の心地よさ ＝ w1×第 1主成分
＋w2×第 2主成分＋β
を求めた．
図２ 音響指標の主成分空間における製品音と音の心
地よさの魅力指標［文献 2）より転載］
図2では，求めた回帰平面を等高線で示してい
る．この例では，音の甲高さを表す sharpness が
大きく負に影響していることが分かる．この回帰
式（すなわち製品音の魅力指標）は，既存製品や
設計代替案に対する快音評価や，快音へ向かうた
めの設計指針立案のための指針として利用でき
る．
３．神経符号化原理にもとづく感性モデリング
3.1 状態遷移からなる多感覚の製品体験と
期待効果
以上までの議論は，音などの感覚刺激 Sに対す
る心地よさ（感性反応 R）を取得し，SとRの関
係を定式化することにより感性を指標化する考え
にもとづいていた．製品に対する初見の印象や試
用などの短時間の感性についてはこのアプローチ
で事足る場合が多いかもしれない．
しかし，一般に，ヒトとモノとの関わりを時間
軸で捉えると，異なる感覚を切り替えて感性品質
を評価する場合が少なくない．たとえば，デジタ
ル一眼レフの試用を考えた場合，見て，持ち上げ
て，構えて，シャッターを押すという一連の行動
がある．このとき，視覚，触覚，聴覚を時間軸で
切り替えて，製品全体の感性品質を評価している
と考えられる．
感覚の切り替え（感覚の遷移）の前後では，事
前の感覚で事後の感覚を予想（期待）する．たと
えば，モノを持ち上げ際に，大きさや材質を視覚
で事前に認識し，持ち上げる前に重さをある程度
予想する．そして，予想した重さに応じた適切な
姿勢や把持力を発動させモノを持ち上げる．この
とき，予想に反して重い，あるいは軽い場合，意
外と重い，あるいは軽いという印象を与える．実
際，同質量で大きさ（見た目の体積）のみが異な
る二つの物体を比較させると，小さい方が大きい
方よりも重く感じる 4)．この現象は，大きさ-重さ
錯覚（Size-weight illusion）として知られる．
筆者らは，この様な知覚現象を一般的に説明す
る理論として，期待効果（Expectation effect）を
提唱し研究を行っている 5, 6)．期待効果とは，事
前の予測や期待が事後の経験に作用する効果であ
る．大きさ-重さ錯覚に当てはめて考えると，見
た目の大きさによる重さ予測（期待）が，持ち上
げた際の重さの知覚（体性感覚）に作用する期待
効果であると解釈できる．また，異なる感覚間の
相互影響はクロスモーダルとよばれ，特に事前の
感覚による予測が事後の感覚の知覚に作用する効
果をクロスモーダル期待効果と呼ぶ．
クロスモーダル期待効果の存在は，単一感覚に
もとづく感性評価にもとづくアプローチの限界を
暗示している．つまり，時間軸で感覚遷移を伴う
製品経験においては，期待効果が存在し，単一感
覚にもとづく感性では十分でない．
3.2 神経符号化による物理量知覚
ここでは，「知覚」を感覚刺激にもとづく物理
量（たとえば，重さ）の推定とする．外界からの
感覚刺激（たとえば，手に生じる圧力）は感覚器
を介して電気信号に変換され神経細胞群へ伝達さ
れる．感覚刺激の神経信号による脳内表現を符号
化（encoding）とよぶ．脳内における神経信号の
パターンにもとづいて，外界の物理量を推定す
る．このプロセスを復号化（decoding）とよぶ．
ここで，脳内における各神経細胞群の発火頻度
のパターンにより符号化が成される rate coding の
考え方を用いる．物理量からの感覚刺激に起因す
る神経細胞群の発火頻度分布 Rとすると，脳は物
理量の尤もらしさ，すなわち尤度関数 P(R|θ) を
構成する．感覚刺激のみを用いて物理量を推定す
る場合は，尤度が最大となるが推定される物理量
となる．一方，我々が経験する物理量（たとえ
ば，自然界に存在する物質の密度）は，一定の頻
度分布を有している．自然界での生活を通して，
我々は物理量の頻度分布を学習する．そして，学
習した物理量の分布にもとづいて，物理量を確率
的に予測する．たとえば，物体を持ち上げる前
に，その見た目と大きさから重さを経験的かつ確
率的に予測する．このとき，物理量に対する予測
の確率分布を P(θ) で表す．
3.3 ベイズ推定にもとづく復号化
近年の神経科学における研究では，神経信号か
らの復号化（すなわち，物理量の推定）がベイズ
推定に従うことを示している 7)．すなわち，推定
される物理量の分布は，条件付き確率 P(θ|R) で表
せる．ベイズの定理から，式(1) の関係が成り立
つ．
|
||
X
PR P
PR PR P
(1)
ベイズ理論では， P(θ|R)を事後分布（Poste-
rior），P(θ)を事前分布(Prior) とよぶ．式(1) の分
母は，全事象の確率の総和を１とするための正規
化のための定数である．したがって，分子に注目
すると，事後分布（知覚）は，事前分布（予測）
と尤度関数（感覚）との積に比例することがわか
る．このとき，物理量の推定値は，事後分布にお
いて最大の確率を示す物理量となる．事後分布が
正規分布に従えば，物理量の推定値は事後分布の
期待値 E[P(θ|R)] となる．今，事前分布と尤度関
数について，それぞれ正規分布を仮定し，相互に
独立であるとすると， 物理量の推定値は式(2) で
表せる 8)．
[()][( |)] [( |)][()]
ˆ
[()] [( |)]
VP EPR VPR EP
VP VPR
(2)
ここで，V [P] は，確率分布 Pの分散をあらわ
す．式(2) から，物理量の推定値は，常に事前分
布と尤度関数の期待の間の値をとる（図３）．言
い換えると，知覚は予測に引き寄せられる．この
影響を期待の誘引バイアス（attractive bias）とよ
ぶ．式(2) の分子は，各分布の期待値に他方の分
布の分散を重みとした線形和である．このことか
ら，分散の小さい分布の期待値の方向に推定値が
引き寄せられることが分かる．
図３ ベイズデコーディングにもとづく物理量の推定
［文献 3）より転載］
3.4 期待効果
前節で定義した分布を用いて，期待効果を表現
する．今，尤度関数 P(R|θ) において最大の値をと
る物理量を θlik とすると，期待効果 εは式(3)の様
にあらわせる．
ˆlik
(3)
すなわち，期待効果は，感覚刺激のみを頼りに
最尤推定した値 θlik が，予測のバイアスをどの程
度受けたかを示す量である．つぎに，予測誤差を
式(4) で定義する．
[()]
lik EP
(4)
予測誤差は，予測した物理量である事前分布の
期待値 E[P(θ)] と，感覚にもとづく最尤推定値 θlik
との差である．つまり，予測と実際の差である．
期待効果は，同化と対比の二つのパターンがある．
同化は予測誤差が過小評価される知覚であるから，
その期待不一致は δ - ε となる．一方，対比は予測
誤差が過大評価された期待不一致を知覚する減少
であるから，期待不一致は，δ + ε となる．
3.5 効率的符号化による対比
3.3 で論じたベイズ推定では，知覚は予測に引
き寄せられる誘引効果のみがバイアスとして発生
する．誘引効果は，期待効果における同化そのも
のである．それでは，対比はどの様に説明できる
のか．ここで，効率的符号化理論（Efficient cod-
ing theory）にもとづく神経符号化モデルを導入す
る9)．このモデルでは，事前分布（予測）が尤度
関数の形状に直接的に影響を与え，その結果，事
前分布の期待値から遠ざかる方向に知覚がバイア
スを受ける現象を定式化している．このバイアス
は反発バイアス（repulsion bias）とよばれている．
効率的符号化理論では，有限数の神経細胞群を
用いて，情報量を最大化するように符号化する．
モデルでは，神経細胞群の発火分布を事前分布に
もとづいてチューニングする．事前分布が正規分
布にしたがう場合，事前分布の期待値周辺では物
理量の発生確率が高く，逆に事前分布の裾野では
発生確率が低いことを意味する．そこで，事前分
布の期待値周辺に神経細胞群を密に割り当てるこ
とで獲得する情報量を最大化する．これを表現す
る数理として，各神経細胞群を等間隔に同じ発火
分布で構成した空間を等質空間（homogeneous
space）x として仮定し，これを物理空間に変換す
る．このときの変換関数を事前分布の累積分布関
数の逆関数とする．すなわち，
FPxdx
(5)
としたときの Fの逆関数を用いて，物理空間に
おける尤度関数を求める．このとき，等質空間に
おいて左右対称な分布（たとえば，正規分布）を，
Fの逆関数によって物理空間に変換すると，図４
に示す様な左右非対称に尤度関数の形状がゆがむ．
この非対称性により，尤度関数の期待値は事前
分布の期待値から遠ざかる方向にシフトする．こ
のバイアスは，事後分布にも作用する．すなわち，
事後分布の期待値を，事前分布の期待値から遠ざ
かる方向にシフトさせる反発バイアスとなる．こ
の反発バイアスが対比をもたらす．
図４ 効率的符号化によって左右非対称に歪んだ尤度
関数による反発バイアス［文献 3）より転載］
3.6 期待効果を伴う知覚モデル
以上で議論したベイズにもとづく復号化と効率
的符号化理論を組み合わせると，期待を伴った知
覚モデルを図５に示す様な関係で整理できる．ま
ず，事前の期待を表す事前分布は効率的符号化理
論にもとづいて尤度関数を左右非対称にゆがませ
る．そして，ベイズ定理にもとづき，事前分布と
尤度関数の積に比例した事後分布を生成する．生
成した事後分布の期待値が推定した物理量とな
る．
図５ 期待効果を伴う知覚モデル［文献 3）より転載］
3.7 期待効果＝f(予測誤差,不確実性,外乱)
物理量とその推定値の差，すなわち知覚バイア
スb(θ)は，以下の式で近似できる 9)．
2
d1
() d()
bCP
(6)
ただし，C は正の定数，P(θ)は事前分布である．
P(θ)が左右対称の確率分布に従う場合，予測と実
際の差の増大に伴って b(θ)は単調増加する．この
ことから，予測誤差の増大に伴って反発バイアス
の大きさは増大することがわかる．式(2) から，
事前分布の分散が減少すると，誘引バイアスが増
加する．事前分布の分散は予測の不確かさを意味
するため，本論文では不確実性と呼ぶ．つまり，
不確かな予測では誘引バイアスが低く，予測が確
かになるにしたがって誘引バイアスが増加する．
一方，不確実性が一定であっても，尤度関数の分
散が増加すると，誘引バイアスが増加する．尤度
関数の分散は，感覚刺激に混入する外乱の影響を
受けると考えられる．すなわち，尤度関数と外乱
の分布との畳み込みにより，外乱の影響を受けた
尤度関数の分布が決まる．
)((*)( )( )
f
xxggdf
x
(7)
ただし，f は左右非対称の尤度分布，g は外乱
分布である．ここで，外乱の分布が正規分布に従
うと仮定すると，外乱により尤度関数の期待値は
変化しないが，分布の分散のみが変化する．つま
り，外乱が増加すると，尤度関数の分散が増加
し，その結果，誘引バイアスが増加すると考えら
れる．以上から，期待効果は，予測誤差，不確実
性，および外乱の三因子に影響を受けることがわ
かる．
3.8 期待効果のシミュレーションと考察
期待効果の計算モデルを用いて，予測誤差，不
確実性，および外乱が期待効果に与える影響を数
値シミュレーションにより調べた．図６にシミュ
レーション結果を示す．横軸が予測誤差，縦軸が
期待効果の度合いを表している．縦軸の正が対比，
負が同化，0が期待効果なしを意味する．
図６ 期待効果のシミュレーション結果例［文献 3）よ
り転載］
図６から，予測誤差が期待効果の度合および同
化と対比に影響していることが分かる．すなわち，
予測誤差の増加にともない，同化から対比への推
移する傾向が見られる．数理モデルでは，効率的
符号化に伴う尤度関数の非対称性が反発バイアス
をもたらし，これがベイズ推定における事前分布
の誘引効果と拮抗し，予測誤差の増大に伴って反
発バイアスが増加することによりこの現象を説明
している．
対比は，予測誤差を過大評価し，実際よりも強
調した期待不一致を知覚する期待効果である．ヒ
トは期待不一致が大きい事象に遭遇すると，その
事象に注意を向け情報を積極的に得ようとする 10)．
これにより，新奇な刺激を学習し既存の知識（す
なわち，事前分布）を更新する機会とする．一方，
一度に注意を向けることができる対象の数は限ら
れている．また，知識の更新にはエネルギーを要
する．そのため，予想と大きく外れていない（予
測誤差が小さい）事象については，注意や知識の
更新を行わず，既存知識を当てはめて認識する．
その方が，有限の認知資源およびエネルギーの観
点から効率だからである．予測誤差が小さい条件
に見られた同化は，期待不一致を過小評価させる
ことで，新奇性の小さな事象の予測誤差を無視す
るフィルターとして機能すると考えられる．
数理モデルでは，予測誤差と期待効果の関係が
不確実性と外乱の影響を受けて変化するとした．
図６から，不確実性の増大が期待効果の強度を低
下させる傾向が見られる．不確実性，すなわち，
事前分布の分散は効率的符号化に起因する反発バ
イアス，およりベイズの復号化における誘引バイ
アスの両方に影響する．すなわち，不確実性が低
い場合に，両バイアスが増加する．その結果とし
て，同化，対比ともに期待効果の絶対値が増加す
る．一方，外乱の増大が同化を拡大させることを
示した．外乱が大きいと，効率的符号化による尤
度分布の非対称性が薄れ，反発バイアスが減少す
る．同時に，ベイズ復号化において誘引バイアス
が強くなる．その結果，同化が拡大すると考えら
れる．
この傾向を，人の認知機能として捉えたときに，
次の様に考察できる．不確実な予測，または予測
不可能な状況では，入力される感覚刺激を頼りに，
ボトムアップに対象を知覚することになる．たと
えば，目隠しをして物体を持ち上げる場合は手に
伝わる反力のみを頼りに重さを推定する．この状
況では視覚による期待効果は発生しえない．一方，
確信のある予測では，予測と感覚の両方を用いて
対象の物理量を推定（知覚）する．このとき，予
測の確信度が高いとき（不確実性が低いとき）は，
予測のバイアスを受けることになる．また，感覚
刺激に外乱が多い場合は予測に頼る割合が増え，
予測に引き寄せられる誘引バイアスが増加する．
このことから同化の範囲が広くなると考えられる．
筆者は，見た目が重さ感に作用する Size-weight
illusion を用いた実験を行い，図６のシミュレーシ
ョンを支持する結果を得た 2)
．このことは，本稿
で紹介した数理モデルが，クロスモーダルの法則
性を一般的に説明しうる可能性を示唆している．
４．おわりに
本稿では，感性設計に必要な感性のモデリングに
おける二つのアプローチを紹介した．すなわち，デ
ータにもとづく帰納的な統計モデリングと，神経符
号化原理にもとづく演繹的な数理モデリングであ
る．データにもとづく統計モデリングは，幅広い対
象に対して柔軟に適用可能であり実用的である．昨
今，注目を集めている AI も，このアプローチに分
類される．しかし，（当然ながら）データに存在し
ない現象は統計モデルに反映されない．また，人を
対象とした実験にもとづくデータを得る必要がある
ため，サンプリングに限界がある．特に，多変量の
交互作用を伴う対象，たとえば，3章で議論したク
ロスモーダルや期待効果などの組合せ問題において
は，網羅的な水準を操作した実験が困難である．し
たがって，構築したモデルの適用範囲は限定的にな
りやすい．また，モデルの内部を理解できないブラ
ックボックスに陥りやすい．以上から，統計モデリ
ングのみでは，得られた式の一般性，普遍性の確保
が難しい．
本稿で紹介した第二のアプローチは，これらの問
題を解決できる可能性がある．すなわち，脳の神経
符号化原理を基盤として，演繹的に計算可能な数理
モデルを構築し，そのシミュレーション結果を仮説
として検証するアプローチである．このアプローチ
により，広く一般に適用できる感性のモデル化が可
能となる．また，その普遍性から，演繹可能な科学
へと昇華できると考える．
実用性を重視する工学と，普遍性を重んじる科学
の相互作用は，知の体系化を加速する．本稿で紹介
した 2つのアプローチを併用することで，感性設計
における工学と科学の相乗効果が期待できる．
参考文献
1) Yanagisawa, H.: Kansei quality in product design,
Emotional Engineering, (2010), 289–310, Springer.
2) Yanagisawa, H., Nakano, S. and Murakami, T.: A Pro-
posal of Kansei Database Framework and Kansei
Modelling Methodology for the Delight Design Plat-
form. Journal of Integrated Design and Process Sci-
ence, 20, 2 (2016), 1-12.
3) Yanagisawa, H.: A computational model of perceptual
expectation effect based on neural coding principles.
Journal of Sensory Studies, 31, 5(2016), 430-439.
4) Flanagan, J. R. and Beltzner, M. A.: Independence of
perceptual and sensorimotor prediction in the size-
weight illusion, Nature neuroscience, 3, 7(2000), 737-
741.
5) Yanagisawa, H. and Takatsuji, K.: Effects of visual ex-
pectation on perceived tactile perception: An evalua-
tion method of surface texture with expectation effect,
International Journal of Design, 9, 1(2015), 39-51.
6) Yanagisawa, H. and Takatsuji, K.: Expectation effect
of perceptual experience in sensory modality transi-
tions: modeling with information theory, Journal of
Intelligent Manufacturing, 28, 7(2015), 1-10.
7) Ernst, M. O. and Banks, M. S.: Humans integrate vis-
ual and haptic information in a statistically optimal
fashion, Nature, 415, 6870(2002), 429-433.
8) Krding, K. P. and Wolpert, D. M.: Bayesian integration
in sensorimotor learning, Nature, 427, 6971(2004),
244-247.
9) Wei, X.-X. and Stocker, A. A.: A Bayesian observer
model constrained by efficient coding can explain
'anti-Bayesian' percepts. Nature neuroscience, 18,10
(2015), 1509-1517.
10) Itti, L. and Baldi, P.: Bayesian surprise attracts human
attention, Vision Research, 49, 10(2009), 1295-1306.
