基于感性意象的连衣裙款式风格评价

皮珂珂，陈敏之

(1.浙江理工大学 服装学院,浙江 杭州 310018；2.浙江理工大学 国际教育学院，浙江 杭州 310018)

产品设计与研发已从生产者导向变为消费者导向策略，消费者的认知偏好、生理和心理需求等主观因素赋予了同一产品不同的情感色彩。服装风格的界定是具有复杂性和模糊性的，不同类别的服装设计要素也有所差异。通过现代测量技术分析感性工学的变化规律，并将消费者对产品的主观意象转化为具体的设计要素进行研究。

连衣裙作为女性日常穿着的服装品类之一，在女装市场份额中占比较大，为了满足人们多样化需求，相关领域的专家及设计师对连衣裙的款式不断进行研究与创新。近年来，关于连衣裙的感性研究主要集中在款式识别[1]、面料分析[2-3]、色彩分析[4]等方面，很少有学者采用意象尺度的方法对连衣裙款式进行探索。因此，文中以连衣裙为例，通过问卷调查、专家访谈等方式，深入分析连衣裙的款式特征，将消费者对连衣裙的感性认知进行量化，建立连衣裙的风格感知评价空间，为服装设计师提供一定的理论参考价值，从而设计出客户满意的感性服装产品。

1 研究方法与实验设计

1.1 感性词语的收集

通过查阅相关服装文献，收集大量关于连衣裙款式特征的感性词语，整理得到246个形容词，剔除意思相近的词语，初步筛选出132个形容词。

1.2 问卷调查

采用问卷调查的方式，选取具有服装工艺制作和设计基础，并对感性词汇具有较好的认知，年龄在20～45岁之间的服装专业硕士生和博士生。作为调查对象需要从132个形容词中勾选出最适合描述连衣裙款式特征的词语。文中实验共发放60份调查问卷,回收有效问卷52份，将勾选比例在70%以上的形容词作为后续研究，共整理出76个形容词。

1.3 感性词语的筛选

邀请15位专家(8位服装专业博士，7位服装企业设计师)，通过卡片配对的方式，从76个形容词中选出25个反义词组构成多维感性空间，发现感性空间有语义重叠交叉的情况，需简化词对。因此，采用专家访谈的形式(邀请5名服装专业教授和副教授)对25组意象形容词进行分组，将意思相近的词汇归到一组(规定分组不少于5组，不多于10组)，并将分组结果导入软件进行聚类分析，最终将意象词对分为8组，具体见表1。

表1 连衣裙感性词组Tab.1 Perceptual phrases of dress

1.4 受测样本确定

通过索取产品目录、访问品牌网站、考察实体店、观看时尚发布会等方式，收集2019—2022年服装市场上畅销的快时尚服装品牌连衣裙图片共380张。由于实验是针对服装款式展开的，所以初步排除色彩等其他影响因素，邀请10名服装领域的专家，通过一对一深度访谈的方式，选出32款最具代表性的样本图片作为研究对象。

按照廓形曲度以及装饰多少对32款连衣裙进行分类，具体如下：①款式2,3,4,7,9,11,15,16,19,20,21,24,26，27,30,31的外部廓形较直；②款式1,5,6,8,10,13,17,18,19,22,25,28,29,32的外部廓形曲度变化大；③款式2,3,5,8,9,11,13,15,16,21,22,23,24,27,28,32的装饰偏少，整体较简约；④款式1,4,6,7,10,12,14,17,18,19,20,25,26,29,30,31的腰带、系带和纽扣等装饰较多，整体稍复杂。

1.5 实验设计

依据8组感性形容词对32款连衣裙样本进行调查，通过语义差异法设计7级评价量表。以“简约的-复杂的”为例：-3表示非常简约，-2表示很简约，-1表示比较简约，0表示既不简约也不复杂，1表示比较复杂，2表示很复杂，3表示非常复杂[5]。调查样本示例如图1[6]所示。

图1 连衣裙感性语义调查样本示例Fig.1 Sample diagram of dress perceptual semantic survey

消费者的感性认知易受周围环境、文化水平以及对时尚理解差异等因素的影响，因此收集的数据具有不确定性。为了让实验数据更加客观和准确，根据《ISO6658感观分析——方法论通用指南》的人数要求[7-8]，选取30名服装领域的专家(男女比例4∶6)为实验对象，并通过PPT的放映对每个被试者单独进行实验。每张PPT放映时间为35 s，32张PPT放映时间约19 min，每位实验对象需对32个样本的8组意象词语分别进行评分。

1.6 数据统计

将30份有效调查结果导入SPSS 22.0统计分析软件，得到8个维度下32款连衣裙样本的评价均值，具体见表2。款式图均值越远离3则表示感性印象越强烈，分数越接近3则表示感性印象越微弱。

表2 不同款式连衣裙的感性印象平均值Tab.2 Average perceptual impression of different styles of dresses

2 实验数据分析

2.1 样本因子分析

由于感性词语组成的风格意象认知空间维度较为复杂，实验需运用因子分析法进一步简化感性认知维度[9-10]。首先对数据进行皮尔森相关性分析[11]，结果见表3。由表3可知，各个意象词对的相关性都大于0.3，表明各变量间有一定的相关性；进而对数据进行效度检验，其中检验统计量(KMO)值为0.713>0.5，表明各变量间的信息具备较高的重叠度。Bartlett的球形度检验近似卡方分布为170.231，Bartlett球形度检验p值为0.000，小于0.05，表明变量间具有较强相关性，能够获得较完善的因子分析模型，具体见表4。输出结果表明，实验所得数据适合进行因子分析。

表3 感性词组的相关性分析Tab.3 Correlation analysis of perceptual phrases

表4 KMO检验和Bartlett球形检验的结果Tab.4 Results of KMO test and Bartlett sphericity test

感性词组的总方差解释情况见表5。利用主成分分析法从8个因子中提取特征值大于1的3个主因子，可解释83.232%(>80%)的原有变量，且样本特征损失较小，能够较好地反映受测者对样本的感性心理[16]。当提取3个因子时采用最大方差法对因子载荷矩阵进行正交旋转，旋转组间的感性词组绝对值越大，表示感性意象与因子之间的相关性越强，旋转后的因子载荷矩阵见表6。由表6可知，端庄的-活泼的、职业的-休闲的、成熟的-年轻的这3个词组在第1个因子上贡献较大，说明在第1个主成分因子上包含原有变量信息的量较多，因此将第1个因子概括为气质因子(X1)；华丽的-朴素的、时尚的-保守的、淑女的-帅气的、简约的-复杂的，这4个词组在第2个因子上贡献较大，将第2个因子命名为潮流因子(X2)；现代的-古典的这一感性词对在第3个因子上有较高的负荷，将其命名为个性因子(X3)。

表5 感性词组的总方差解释Tab.5 Total variance interpretation of perceptual phrases

表6 因子旋转后的成分矩阵Tab.6 Component matrix after the rotation of the factors

在因子分析中，最终提取的因子是相互独立的。根据表6可用3个因子的线性组合来表示风格意象，数学模型公式为

Yi=aiX1+biX2+ciX3(i=1,2,…,8)。

(1)

式中：Yi为8个感性词组对应变量的均值；ai为气质因子系数；bi为潮流因子系数；ci为个性因子的系数；X1为气质因子；X2为潮流因子;X3为个性因子。

各变量具体对应表达如下：

Y1=0.947X1-0.187X2+0.043X3,

Y2=0.841X1-0.422X2+0.25X3,

Y3=0.784X1-0.214X2-0.409X3,

Y4=-0.306X1+0.896X2-0.078X3,

Y5=-0.178X1+0.743X2+0.534X3,Y6=-0.158X1+0.679X2-0.074X3,Y7=0.459X1-0.604X2+0.465X3,Y8=0.005X1-0.085X2+0.924X3。

(2)

X1=0.498Y1+0.348Y2+0.394Y3+ 0.144Y4+0.160Y5+0.153Y6+ 0.051Y7-0.036Y8,X2=0.228Y1+0.046Y2+0.141Y3+ 0.453Y4+0.416Y5+0.370Y6- 0.204Y7-0.031Y8,X3=0.014Y1+0.137Y2-0.263Y3- 0.025Y4+0.347Y5-0.029Y6+ 0.268Y7+0.577Y8。

(3)

同时，采用多元回归分析法得到各个因子的得分系数矩阵，具体见表7。

表7 成分得分系数矩阵Tab.7 Component score coefficient matrix

2.2 感性意象三维空间

在感性意象空间中，使用气质因子、潮流因子、个性因子来概括8组形容词，可解释83.232%连衣裙风格特征且信息损失较小。根据式(1)～(3)计算出32款连衣裙样本的三维坐标值进而建立三维空间分布图，其中x轴代表气质因子，y轴代表潮流因子，z轴代表个性因子，具体如图2所示。

根据32款连衣裙的特征并结合图2可知，气质因子坐标轴从左到右呈现出连衣裙外部廓形由直变曲的规律；潮流因子上半部分的连衣裙整体款式较简洁、变化较小，坐标轴下半部分的连衣裙造型较多、曲度变化大；个性因子正半轴部分连衣裙有细部装饰(腰带、系带、纽扣等)，坐标轴负半轴部分连衣裙则装饰细节较少。总而言之，可用直-曲来表示x轴的款式分布状况，用统一-变化来表示y轴的规律，用丰富-单一来表示z轴的变化情况。

图2 样本三维感性意象空间分布Fig.2 Spatial distribution of 3D perceptual images of samples

为了更好地将样本象限分布情况与消费者的感性意象相结合，基于三维空间的分布建立二维平面意象尺度分布图，具体如图3所示。

图3 样本二维平面分布Fig.3 Two-dimensional plane distribution of samples

由于二维意象平面分布图的款式风格相似，因此选取图3(a)为例进行分析。图3(a)中第1象限连衣裙造型统一且外部廓形较直，此类连衣裙多以直筒型为主，给人一种正式的、职业的感觉；第2象限连衣裙造型变化大且廓形较曲，此类款式多为oversize型，展现了现代的、成熟的风格特征；第3象限连衣裙曲度变化大且直，款式特征主要为合体型，多以淑女、端庄的款式为主；第4象限连衣裙整体造型简洁且廓形较曲，该设计要素呈现了休闲的、活泼的意象风格。

3 连衣裙款式风格感性模型验证

消费者对服装感知评价的词汇集组成了感性空间的认知维度，为了验证所构建连衣裙感性认知框架的准确性，通过设计实验检验款式要素与感性意象的关联性[12]。

任意选取两款连衣裙样本(见图4)，并邀请10位服装专业人士填写问卷，要求根据得到的3个因子(气质因子、个性因子以及潮流因子)分别对样本1和样本2进行感知评价，剔除无效的答案，最终确定9份有效问卷。3个感知因子的均值评判集用a1,a2表示：

a1={-0.50,0.15,-0.26}，

a2={-0.36,-0.49,0.30}。

图4 案例样本Fig.4 Case samples

再运用式(2)计算选中的两个样本的感知风格评判集，用p1和p2表示：

p1={-0.24,-0.02,-0.31,-0.35,-0.30,

-0.26,0.27,0.30} ,

p2={-0.51,-0.55,-0.32,0.31,-0.20,

0.19,-0.44,-0.20} 。

由此结果可知,样本1的坐标位于图2中的X轴负半轴、Y轴正半轴、Z轴负半轴所围成的象限，连衣裙整体款式特征较为简洁，廓形较直且整体变化较小，采用简单的结构线进行装饰；样本2的坐标值在X轴负半轴、Y轴负半轴、Z轴正半轴所围成的象限，连衣裙款式整体造型变化大，多用花边、纽扣进行装饰。以图3(a)为例，样本1与第1象限的意象风格特征相吻合，即具有简约的、正式的风格；样本2符合第3象限样本的风格，即风格特点为淑女的、端庄的。

由上述实验分析可直接得出消费者对连衣裙的感性评价，依据意象分布图得到每个款式的设计要素与其感性认知相对应的坐标。验证结果表明所构建的连衣裙款式风格认知模型具有客观性、合理性，设计师可根据连衣裙整体款式特征与消费者感性需求对设计风格进行定位。

4 结语

基于感性工学的原理与方法得到消费者对32款连衣裙的感知评价，通过因子分析法将连衣裙的款式风格解释为气质因子、潮流因子和个性因子，并建立连衣裙款式风格的认知模型。依据这3个因子维度，可以帮助设计师更好地设计出满足客户个性化需求的连衣裙款式，有效提升设计效率，提高企业竞争力。由二维平面感性分布图可知，每种连衣裙款式都有与其风格评价相对应的坐标位置；在三维空间分布图上，大部分样本的款式特征可用直-曲、统一-变化、丰富-单一来进行描述，这3种变化规律能够直观展示连衣裙款式风格量化结果。验证结果表明，所构建的连衣裙风格评价模型具有一定的客观性、可信性，而建立回归模型作为一种常用的分析方法，不仅限于对连衣裙的研究，还可以推广应用到衬衫、卫衣等其他服装品类设计中。由于研究时间有限，只分析了连衣裙款式特征与感性意向的关系，而色彩、面料等其他设计因素需要未来进一步的探究。同时，该研究可结合计算机视觉进行辅助设计，为实现集感性意象与款式设计为一体的智能服装设计提供了理论参考。