可拓语义法
方法概述
可拓语义法是一种基于用户评估数据的语义空间分析方法，广泛应用于文创产品设计、品牌形象研究等领域。该方法通过收集用户对多个语义维度（语义空间）的关联度评分和设计价值评分，计算每个语义空间的认知区间和权重，从而揭示用户群体对设计元素的心理认知结构。
可拓语义法的核心思想是：
- 将设计要素抽象为若干语义空间（如“传统”、“创新”、“简洁”等）。
- 邀请用户对每个语义空间进行关联度评分（衡量语义与设计主题的贴合程度）和设计价值评分（衡量语义对设计的贡献程度）。
- 统计每个语义空间的评分分布，计算关联度指标 \(D_x\) 和设计价值指标 \(D_y\)。
- 通过 \(D = D_x \times D_y\) 得到每个语义空间的认知区间，反映该语义在用户心智中的综合强度。
- 对认知区间进行归一化，得到各语义空间的权重向量，为后续设计决策提供依据。
该方法能够将主观语义量化，并综合考虑用户对语义的认知深度和价值认可度，特别适用于需要挖掘用户深层偏好的创意设计领域。
计算步骤
1. 构建原始数据矩阵
设有 \(n\) 个语义空间，\(m\) 位用户参与评估，每个用户对每个语义空间提供两个评分：关联度评分 \(r_{ij}\) 和设计价值评分 \(d_{ij}\)。原始数据通常为长格式，包含以下三列：
- 语义空间：语义维度的名称（如“传统”、“创新”等）。
- 关联度评分：用户对该语义与设计主题关联程度的评分（通常采用 Likert 1-5 分）。
- 设计价值评分：用户认为该语义在设计中的重要程度的评分（通常采用 Likert 1-5 分）。
数据矩阵示意：
| 语义空间 | 关联度评分 | 设计价值评分 |
|---|---|---|
| 语义1 | 5 | 4 |
| 语义1 | 4 | 5 |
| … | … | … |
| 语义n | 3 | 3 |
2. 按语义空间分组统计评分分布
对于每个语义空间 \(k\)，统计其关联度评分和设计价值评分在各分值上的人数。设评分最大值为 \(M\)（用户可设置，通常为 5），则：
- 关联度评分人数：\(h_{k1}, h_{k2}, \dots, h_{kM}\)，其中 \(h_{ka}\) 表示语义空间 \(k\) 的关联度评分为 \(a\) 的用户人数。
- 设计价值评分人数：\(g_{k1}, g_{k2}, \dots, g_{kM}\)，其中 \(g_{ka}\) 表示语义空间 \(k\) 的设计价值评分为 \(a\) 的用户人数。
- 用户总数 \(N_k\)（可能因缺失值略有差异，但通常各语义空间用户数相同）。
3. 计算关联度 \(D_x\)
关联度 \(D_x\) 反映用户对语义空间与设计主题关联程度的整体认知，计算公式为：
\[ D_{x_k} = \frac{\sum_{a=1}^{M} a \cdot h_{ka}}{N_k \cdot \frac{M(M+1)}{2}} \]
其中分母中的 \(\frac{M(M+1)}{2}\) 是 1 到 \(M\) 的和（三角数），用于将加权和归一化到 \([0, 1]\) 区间。该公式的直观意义是：若所有用户均给最高分 \(M\)，则分子为 \(N_k \cdot M\)，分母为 \(N_k \cdot \frac{M(M+1)}{2}\)，此时 \(D_x = \frac{2}{M+1}\)；若所有用户均给最低分 1，则 \(D_x = \frac{2}{M(M+1)}\)。因此 \(D_x\) 的取值在 \([\frac{2}{M(M+1)}, \frac{2}{M+1}]\) 之间，值越大表示关联度越强。
4. 计算设计价值 \(D_y\)
设计价值 \(D_y\) 反映用户对语义空间在设计中的重要程度的平均评价，计算公式为：
\[ D_{y_k} = \frac{\sum_{i=1}^{N_k} d_{ik}}{N_k} \]
即设计价值评分的算术平均值，取值范围在 \([1, M]\) 之间。
5. 计算认知区间 \(D\)
认知区间 \(D\) 综合关联度和设计价值，反映语义空间在用户心智中的综合强度：
\[ D_k = D_{x_k} \times D_{y_k} \]
该乘积将关联度（经归一化）与设计价值（原始均值）结合，值越大表示该语义空间在设计中越应被重视。
6. 计算权重向量
对各语义空间的认知区间进行归一化，得到权重向量 \(w_k\)：
\[ w_k = \frac{D_k}{\sum_{j=1}^{n} D_j} \]
若用户选择不归一化，则直接输出 \(D_k\) 作为原始权重。权重越高，说明该语义空间在设计中的优先级越高。
案例分析
案例背景：某文创设计团队拟为传统节日产品提取核心语义，预设了四个语义空间：传统、温馨、创新、简约。邀请 10 位用户采用 5 分制（1=非常低，5=非常高）对每个语义进行关联度评分（与该节日主题的贴合程度）和设计价值评分（对产品设计的重要性）。原始数据（部分）如下：
| 语义空间 | 关联度评分 | 设计价值评分 |
|---|---|---|
| 传统 | 5 | 4 |
| 传统 | 4 | 5 |
| … | … | … |
| 温馨 | 3 | 4 |
| 创新 | 2 | 3 |
| 简约 | 4 | 2 |
经汇总，各语义空间评分分布如下：
| 语义空间 | 关联度评分人数（1-5分） | 设计价值评分人数（1-5分） | 用户数 |
|---|---|---|---|
| 传统 | (0,1,2,3,4) | (0,1,2,3,4) | 10 |
| 温馨 | (1,2,3,2,2) | (1,2,3,2,2) | 10 |
| 创新 | (2,3,3,1,1) | (1,2,3,3,1) | 10 |
| 简约 | (1,2,4,2,1) | (2,3,3,1,1) | 10 |
计算过程
取 \(M=5\)，\(\frac{M(M+1)}{2}=15\)。
1. 计算 \(D_x\)（关联度）
- 传统：分子 = \(1×0 + 2×1 + 3×2 + 4×3 + 5×4 = 0+2+6+12+20 = 40\)；分母 = \(10×15=150\)；\(D_x = 40/150 = 0.2667\)
- 温馨：分子 = \(1×1 + 2×2 + 3×3 + 4×2 + 5×2 = 1+4+9+8+10 = 32\)；\(D_x = 32/150 = 0.2133\)
- 创新：分子 = \(1×2 + 2×3 + 3×3 + 4×1 + 5×1 = 2+6+9+4+5 = 26\)；\(D_x = 26/150 = 0.1733\)
- 简约：分子 = \(1×1 + 2×2 + 3×4 + 4×2 + 5×1 = 1+4+12+8+5 = 30\)；\(D_x = 30/150 = 0.2000\)
2. 计算 \(D_y\)（设计价值均值）
- 传统：设计价值评分和 = \(1×0 + 2×1 + 3×2 + 4×3 + 5×4 = 40\)；\(D_y = 40/10 = 4.0\)
- 温馨：设计价值评分和 = \(1×1 + 2×2 + 3×3 + 4×2 + 5×2 = 1+4+9+8+10 = 32\)；\(D_y = 32/10 = 3.2\)
- 创新：设计价值评分和 = \(1×1 + 2×2 + 3×3 + 4×3 + 5×1 = 1+4+9+12+5 = 31\)；\(D_y = 31/10 = 3.1\)
- 简约：设计价值评分和 = \(1×2 + 2×3 + 3×3 + 4×1 + 5×1 = 2+6+9+4+5 = 26\)；\(D_y = 26/10 = 2.6\)
3. 计算认知区间 \(D = D_x × D_y\)
- 传统：\(0.2667 × 4.0 = 1.0668\)
- 温馨：\(0.2133 × 3.2 = 0.6826\)
- 创新：\(0.1733 × 3.1 = 0.5372\)
- 简约：\(0.2000 × 2.6 = 0.5200\)
4. 计算权重（归一化）
总和 \(= 1.0668 + 0.6826 + 0.5372 + 0.5200 = 2.8066\)
- 传统：\(1.0668 / 2.8066 = 0.3801\)
- 温馨：\(0.6826 / 2.8066 = 0.2432\)
- 创新：\(0.5372 / 2.8066 = 0.1914\)
- 简约：\(0.5200 / 2.8066 = 0.1853\)
结论：“传统”语义空间权重最高，说明用户认为该语义与节日主题关联最紧密且设计价值最高；“创新”和“简约”权重较低，在设计中可酌情弱化。
常见问题
Q1: 可拓语义法适用于哪些场景？
A: 主要适用于需要量化用户对抽象概念（如文化符号、设计风格）认知的研究，例如文创产品设计、品牌形象定位、用户体验研究等。尤其当设计元素难以用客观指标衡量时，可通过用户评分提取核心语义。
Q2: 为什么 \(D_x\) 的分母是 \(N_k × M(M+1)/2\)？
A: 这是为了将加权和归一化到一个与评分分布无关的尺度。分母中的三角数 \(\frac{M(M+1)}{2}\) 是 1 到 \(M\) 的和，使得当所有用户均给最高分 \(M\) 时，\(D_x = \frac{2}{M+1}\)，从而保证 \(D_x\) 始终小于 1，便于后续与 \(D_y\)（取值范围 1~M）相乘时，认知区间 \(D\) 不会过大。
Q3: 评分最大值 \(M\) 可以自定义吗？
A: 可以。平台允许用户设置评分最大值（默认 5），以适应不同的李克特量表（如 7 分制、10 分制）。所有计算均会基于设定的 \(M\) 自动调整。
Q4: 数据格式有何要求？
A: 数据需为长格式，包含三列：语义空间（文本）、关联度评分（数值）、设计价值评分（数值）。每行对应一个用户对一个语义空间的评分。支持 CSV、Excel 等格式，Excel 文件支持多工作表，每个工作表可代表不同的数据集（如不同用户群体、不同设计主题）。
Q5: 权重归一化与不归一化的区别？
A: 归一化后权重之和为 1，便于比较不同语义空间的相对重要性；不归一化则保留原始 \(D\) 值，可用于跨数据集比较。平台默认选择归一化，用户可取消勾选。
平台功能
可拓语义法分析平台提供以下核心功能：
数据输入
- 支持 CSV、Excel、TXT 多种格式。
- Excel 文件支持多工作表，自动识别工作表名称。
- 数据格式要求：第一列为“语义空间”，必须包含“关联度评分”和“设计价值评分”列，数据区域为数值型评分。
参数设置
- 评分最大值：设置评分量表的最高分值（默认 5）。
- 小数位数：控制输出精度（默认 5 位）。
- 自动归一化权重：勾选则权重归一化，否则输出原始 \(D\) 值。
结果展示
- 详细分析报告：
- 权重结果表：各语义空间的权重及排名。
- 参数设置表：评分最大值、小数位数、归一化状态等。
- 详细计算表：用户数、关联度 \(D_x\)、设计价值 \(D_y\)、认知区间 \(D\)。
- 评分分布表：每个语义空间在关联度和设计价值上的各分值人数。
- 可拓语义法公式说明。
- 可视化图表：
- 权重分布柱状图。
- 认知区间对比图（同时展示 \(D_x\)、\(D_y\)、\(D\)）。
- AI 智能分析：基于 DeepSeek API 自动解读结果，提供语义空间优化建议（每日限 3 次）。
- 多格式导出：支持 Excel 和 HTML 报告下载。
工作表管理
- 多工作表自动识别，支持批量分析。
- 实时显示每个工作表的验证状态。
- 支持对比不同工作表（如不同用户群体）的权重分布。
使用建议
准备阶段：确定研究主题，筛选出具有代表性的语义空间（建议 5~10 个）。设计清晰的 Likert 量表评分问卷。
数据收集：使用平台提供的模板文件填写数据。确保每行对应一个用户对一个语义空间的评分，语义空间名称保持一致。若有多轮调研或不同群体，可将数据分别保存于不同工作表。
参数设置：
- 根据问卷量表设置评分最大值（如 5 分制、7 分制）。
- 通常建议勾选“自动归一化权重”，便于直接比较。
- 小数位数可根据报告要求调整。
结果解读：
- 权重最高的语义空间应作为设计重点，权重较低的可适当弱化。
- 观察 \(D_x\) 和 \(D_y\) 的差异：若某语义 \(D_x\) 高但 \(D_y\) 低，说明用户认为它与主题相关但设计价值不高，可能需要重新审视其必要性。
- 利用 AI 分析获取专业解读和设计建议。
迭代优化：
- 可根据分析结果调整语义空间集合，剔除认知模糊或权重过低的语义。
- 若有多轮数据，可对比不同用户群体或不同时间点的权重变化，洞察用户认知演变。
平台界面
平台界面包含：数据上传区、参数设置区、多工作表预览、分析结果展示和AI分析模块
参考文献：
- 杨春燕，蔡文. 可拓工程方法[M]. 科学出版社，2007.
- 可拓语义在产品设计中的应用研究[J]. 包装工程，2015, 36(2): 98-102.
- 基于用户认知的语义空间量化方法[J]. 设计艺术研究，2018, 8(3): 45-50.