2. 西北工业大学 航空学院, 陕西 西安 710072
2. School of Aeronautics, Northwestern Polytechnical University, Xi'an 710072, China
随着信息化发展,人机界面需要担负的人机交互也在大幅度地增加,其显示界面设计的优劣将会影响到人机交互的效率。而要设计出一个良好的人机界面,首先必须要有一个科学的、可行的评价方法。人机界面评价是监督人机界面设计质量、提高人机界面安全可靠性、改进人机界面舒适性、指导人机界面设计的重要手段,也是提高人机交互效率的重要保障。目前在人机界面评价方面,有关学者进行了大量的研究工作:文献[1]针对人机界面的多属性以及评价的模糊性,采用模糊综合评价法和层次分析法相结合的FAHP方法实现了对立体车库人机界面可用性的评价;邓丽等[2]通过将人机界面中评价指标信息转换为Vague数,并基于Vague数距离和优劣点法的综合评价方法,对人机界面布局方案进行了评价与排序;赵慧亮等[3]针对人机界面内容传达、易用性和感性因素等方面建立评价指标体系,运用TOPSIS法实现了对数字化人机界面方案的排序。
近年来,随着感性工学的发展以及“以人为本”设计思想的深入,人们对产品的评价不再停留在任务的完成情况上,而是加入了使用产品的主观感受,强调界面元素本身对用户体验的影响。良好的交互设计不仅包括高效简易的操作,也应包括对人形成的良好意象。有关实验表明,显示界面的感性设计与理性设计有很大的关联性,证实了“美的设计同时也会是好用的”这一推论[4]。文献[5-7]围绕产品的界面信息,分析了用户对其界面布局的感性意象与美感体验,但在评价方法上过于复杂;Ngo等[8]针对人机界面布局的美度意象,提出了13个布局特征并对其进行量化分析,但对于不同的人机界面,美度意象因子的侧重有所不同,从而影响了评价的客观性;林丽等[9]、刘征红等[10]以人机界面为立足点,针对传统一维变量感性工学模型实用价值不高的问题,提出了多维变量感性工学模型,但其评价过程中对产品形态特征解构较为复杂;张娜等[11]以打印机人机界面为评价对象,抽取了平衡度、整体度、简洁度和统一度四个美度意象指标,对其布局方案的综合美度进行了计算,但在指标权重确立方面主观性太强;周蕾等[12]研究了大量国内外学者对人机界面的主观评价意象词汇,总结出人机界面影响人美感意象的因子有平衡、比例、简洁、呼应,但其评价体系指标过多,计算复杂,对界面设计的实际指导性不强。
基于以上研究中存在的问题,针对人机界面设计中人的感性因素以及人机界面评价所具有的灰色性和模糊性特点,本文提出一种基于感性工学的人机界面多意象综合评价方法。运用感性工学的方法对人机界面进行感性意象分析,提取感性词汇并建立感性指标评价体系;针对专家判断的灰色性和模糊性的特点,将灰色关联分析法引入群AHP法中,通过将多个专家判断信息进行综合,对其认知特性进行定量描述,实现了更加科学可靠的权重分配;同时根据感性评价的模糊性,利用变换标度将感性评价转化为直觉模糊数,建立了直觉模糊TOPSIS综合评价模型,实现了对人机界面设计方案的综合评价与排序,提高了评价体系的科学性、合理性。
1 感性指标评价体系的建立“感性工学”一词由日本马自达汽车集团前会长山本健一于1986年在美国密歇根大学发表的题为“汽车文化论”演讲中首次提出[13]。其中心思想是通过分析人的感性,将人的模糊不清的感性需求和意象转化为定量的数据。感性工学的关键在于准确把握人对产品的“感性”,并建立“感性”与产品设计要素之间的联系,其一般研究步骤为:1) 收集界面典型样本并筛选;2) 收集感性意象词汇;3) 对感性意象词汇进行筛选,建立感性指标评价体系。
本文通过文献、网络和现场拍照等渠道收集典型人机界面样本图片。为保证样本的有效性和可用性,对收集的样本进行筛选,去除清晰度较低的和相似度较高的样本,最终选取具有代表性的界面设计样本30个。对样本进行感性意象分析,产品的感性意象是指人在心理上对产品的期待感受,可以通过感性意象词汇加以描述。针对人机界面感性意象,其主要受到平衡、比例、简洁、呼应等界面美度潜在因子的影响[11-12]。通过调查问卷与访谈交流进行人机界面感性词汇收集,并运用KJ法[14]对感性词汇进行初步筛选,剔除不适合评价和相似度过高的的感性词汇,最终归纳为24个感性词汇。选定30名调查对象(其中设计师、设计专业学生、非设计专业学生各10名),对界面样本进行李氏量表分析,通过SPSS(statistical product and service sciences)统计分析软件采用主成分分析法分析提取影响用户感性的美度因子,选取特征值大于1的4个因子:平衡、比例、简洁、呼应,如表 1所示。
因子 | 特征值 | 贡献率/% | 累计贡献率/% |
平衡 | 8.661 | 43.574 | 43.574 |
比例 | 6.467 | 26.216 | 69.790 |
简洁 | 3.734 | 11.382 | 81.172 |
呼应 | 1.289 | 8.029 | 89.201 |
“平衡”指界面整体视觉信息量的平衡度和稳定感,是表征界面元素的面积及其分布合理性的指标,可以避免界面信息布局失衡而导致的视觉疲劳和信息遗漏;“比例”指依据视觉认知规律而进行的界面元素差异化布局,使界面按照一定的视线诱导规律进行设计,以提高认读效率和准确率;“简洁”指在不影响必要信息显示的前提下降低界面复杂度,保证界面的简单清晰,避免造成多余的认知负荷;“呼应”指界面元素的统一感,维持设计的整体风格,从而提高人的熟悉程度。
对删选出的24个感性词汇进行聚类分析,并基于4个美度因子进行分组,根据5个重要度(不重要、勉强重要、重要、较重要、非常重要)对感性词汇进行打分,分值为0~5分,并用SPSS统计分析软件进行结果分析,最后以感性词汇中的平均值和共同度为依据进行挑选[13]。最终得出4组最重要的代表性感性词汇,并运用层次分析法结构原则,构建感性指标评价体系,如图 1所示。
![]() |
图 1 人机界面感性指标评价体系 Fig.1 Perceptual index evaluation system of human-machine interface |
各指标权重的确定是综合评价的主要步骤,其对评价结果有着重要影响。层次分析法(AHP)对于定量、定性的多属性决策问题的处理效果良好[15],其在权重确立上的应用越来越多。传统的AHP法往往使用单一专家评判确定底层指标权重,然而,单一专家评判往往对客观事实反映得不够充分,因此,需要综合多位专家的意见,这就出现了群决策的问题[16]。群决策的过程,就是将各个专家意见的分歧统一化,极小化群决策结果与个人偏好的不一致[17-18]。然而参与决策的各个专家的知识背景不尽相同,对于某个指标理解角度有所不同,同时专家自身偏好等因素也会产生一定的影响,导致对于相同决策问题的评判很可能产生较大的偏差。如何将专家群信息进行集结是确定指标综合权重的关键。灰色关联分析法是灰色理论中应用较为广泛的方法之一,该方法根据比较序列和参考序列的接近程度来判断其联系是否紧密,并以此作为判断决策依据,是一种客观评价方法。考虑专家认知的灰色性,将灰色关联分析法引入群AHP法中,利用灰色关联处理评判信息从而修正群AHP法确定的各指标权重。其步骤为:
1) 构造判断矩阵。设有m个专家对n个指标进行评价,第k个专家的判断矩阵为Ak:
$ {\mathit{\boldsymbol{A}}_k} = \left[{\begin{array}{*{20}{c}} {a_{{\rm{11}}}^{(k)}}&{a_{{\rm{12}}}^{(k)}}& \cdots &{a_{1n}^{(k)}}\\ {a_{{\rm{21}}}^{(k)}}&{a_{{\rm{22}}}^{(k)}}& \cdots &{a_{2n}^{(k)}}\\ \cdots & \cdots &{}& \cdots \\ {a_{n1}^{(k)}}&{a_{n2}^{(k)}}& \cdots &{a_{nn}^{(k)}} \end{array}} \right] $ | (1) |
式中aij(k)表示对于其上一级指标而言,第i个指标相对于第j个指标的相对重要程度。相对重要程度采用1~9相对重要度标定法进行取值:当i=j时,aij(k)=1;当i≠j时,aji(k)=1/aij(k)。
2) 计算权重。对于任意一个判断矩阵Ak,其显然具有特征值λkmax及对应的特征向量Ik,满足:
$ {\mathit{\boldsymbol{A}}_k} \times {\mathit{\boldsymbol{I}}_k} = {\lambda _{k{\rm{max}}}} \times {\mathit{\boldsymbol{I}}_k} $ | (2) |
当得到向量Ik后,对其进行归一化处理,归一化处理后的结果即为第k个专家给出的指标的相对重要程度,也就是权重Wk=(wk1, wk2, …, wkn)T。由此得到的权重向量需要进行一致性检验,当一致性比率CR≤0.10时,即认为判断矩阵具有满意的一致性,说明权值分配是合理的;否则,需要调整判断矩阵,直到取得满意的一致性为止。
3) 构造灰色关联评判矩阵。假设有m个评判对象和n个评判指标,则灰色评判矩阵可以表示为:
$ \mathit{\boldsymbol{B}} = \left[{\begin{array}{*{20}{c}} {{b_{11}}}&{{b_{12}}}& \cdots &{{b_{1n}}}\\ {{b_{21}}}&{{b_{22}}}& \cdots &{{b_{2n}}}\\ \cdots & \cdots &{}& \cdots \\ {{b_{m1}}}&{{b_{m2}}}& \cdots &{{b_{mn}}} \end{array}} \right] $ | (3) |
式中bki=wki。
4) 标准化处理。为保证评判矩阵的科学性和可比性,需要对评价指标信息进行标准化处理,采用均值法(式(4))对评判矩阵进行处理:
$ {x_{ki}} = \frac{{{b_{ki}}}}{{\sum\limits_{\mathit{k} = 1}^\mathit{m} {{b_{ki}}} }} $ | (4) |
5) 计算灰色关联系数及关联度。为了充分反映评判对象所给信息的离散程度,根据灰色关联分析法,选取各指标权重的均值作为参照序列并记为x0i,则各指标权重评价值与参考值之间的灰色关联系数为:
$ {\zeta _{ki}} = \frac{{\mathop {{\rm{min}}}\limits_\mathit{i} \mathop {{\rm{min}}}\limits_\mathit{k} \left| {{x_{0i}} - {x_{ki}}} \right| + \mathit{\lambda }\mathop {{\rm{max}}}\limits_i \mathop {{\rm{max}}}\limits_\mathit{k} \left| {{x_{0i}} - {x_{ki}}} \right|}}{{\left| {{x_{0i}} - {x_{ki}}} \right| + \mathit{\lambda }\mathop {{\rm{max}}}\limits_i \mathop {{\rm{max}}}\limits_\mathit{k} \left| {{x_{0i}} - {x_{ki}}} \right|}} $ | (5) |
式中:i=1, 2, …, n; k=1, 2, …, m;ξki为第k个专家给出的第i个指标信息与参考序列第i个指标信息的关联系数;λ为分辨系数,λ∈[0, 1],分辨系数的引入可以减少极值对关联系数计算的影响,一般取0.5。则其关联度可以表示为:
$ {\alpha _{0k}} = \frac{1}{n}\sum\limits_{\mathit{i}{\rm{ = 1}}}^\mathit{n} {{\xi _{ki}}} $ | (6) |
6) 计算专家权重系数。专家权重系数反映的是评判专家在评判过程中所给信息的重要程度,其计算公式为:
$ {\beta _k} = \frac{{{\alpha _{0k}}}}{{\sum\limits_{\mathit{k} = 1}^\mathit{m} {{\alpha _{0k}}} }} $ | (7) |
则专家权重系数矩阵β=(βk)1×m。
7) 计算综合权重。通过引入灰色关联分析法构造专家权重系数,对层次分析法得到的指标权重加以修正,综合评判者认知的灰色性以及其在评判过程中的作用,提高指标权重确定的科学性和说服力,修正后的综合权重计算如下:
$ \mathit{\boldsymbol{W}} = \beta \mathit{\boldsymbol{B}} $ | (8) |
在感性评价过程中需要对感性指标进行量化。传统感性问题的工程量化方法多采用语意差异法[19],语意差异法是根据语意差异量化表,对互为反义词的语意词汇对进行评级量化,但该方法忽略了评价者评价的模糊性。直觉模糊集是对模糊集的扩展,同时考虑了隶属度、非隶属度以及犹豫度三个方面的信息,弥补了传统模糊集仅考虑隶属度的不足。TOPSIS法是一种多目标决策综合分析法,对有限个评价对象与理想化目标的接近程度进行排序,该方法对原始数据利用比较充分,且误差小、可靠性高。传统的TOPSIS法只能处理定量的评价指标值,对专家感性评价的模糊性无法量化。作者通过变换标度将感性评价量化为直觉模糊数,将定性指标量化,结合上节确定的感性指标综合权重,提出直觉模糊集理论和TOPSIS相结合的综合评价方法并对人机界面进行评价。
评价步骤为:
1) 构造直觉模糊数。将专家对人机界面的感性评价值分为5个等级:很好、好、一般、差、很差,每个评语等级对应一个感性分值评价区间,并对感性指标评价标准的隶属度进行赋值,具体赋值见表 2。
评语等级 | 感性分值 | 隶属度 | 非隶属度 |
很好 | 90 | 0.9 | 0.1 |
好 | 70 | 0.7 | 0.3 |
一般 | 50 | 0.5 | 0.5 |
差 | 30 | 0.3 | 0.7 |
很差 | 10 | 0.1 | 0.9 |
根据表 2所示感性评价的隶属度和非隶属度,对各方案感性指标分值计算其隶属度和非隶属度,计算公式为:
$ {{y'}_{ij}} = {{z'}_\rm{l}} + \frac{{{y_{ij}}{\rm{ - }}{z_\rm{l}}}}{{{z_\rm{k}}{\rm{ - }}{z_\rm{l}}}}({{z'}_\rm{k}}{\rm{ - }}{{z'}_\rm{l}}) $ | (9) |
式中:y′ij为表 2中感性分值的隶属度,yij为表 2中待计算的感性分值;zl和z′l分别为表 2中感性分值评价区间的下限值及其隶属度;zk和z′k分别为表 2中感性分值评价区间的上限值及其隶属度。
2) 构建直觉模糊评价矩阵。设有m个评价方案和n个指标,根据专家感性评价的模糊性,以直觉模糊值qij=(μij, vij)表示第i个方案的第j个指标的评价值,可得直觉模糊评价矩阵如下:
$ \mathit{\boldsymbol{Q}} = \left[{\begin{array}{*{20}{c}} {\left( {{\mu _{11}}, {v_{11}}} \right)}&{\left( {{\mu _{12}}, {v_{12}}} \right)}& \cdots &{\left( {{\mu _{1n}}, {v_{1n}}} \right)}\\ {\left( {{\mu _{21}}, {v_{21}}} \right)}&{\left( {{\mu _{22}}, {v_{22}}} \right)}& \cdots &{\left( {{\mu _{2n}}, {v_{2n}}} \right)}\\ \cdots & \cdots &{}& \cdots \\ {\left( {{\mu _{m1}}, {v_{m1}}} \right)}&{({\mu _{m2}}, {v_{m2}}_)}& \cdots &{({\mu _{mn}}, {v_{mn}})} \end{array}} \right] $ | (10) |
3) 确定理想解。运用TOPSIS方法来确定正、负理想解Q+,Q-:
$ \left\{ \begin{array}{l} {Q^ + } = \left\{ {q_1^ +, q_2^ +, \ldots, q_n^ + } \right\} = \{ (\mathop {{\rm{max}}}\limits_i {\mu _{ij}}, \mathop {{\rm{min}}}\limits_i {v_{ij}})|j \in \left[{1, n} \right]\} \\ {Q^ - } = \left\{ {q_1^ -, q_2^ -, \ldots, q_n^ - } \right\} = \{ (\mathop {{\rm{min}}}\limits_i {\mu _{ij}}, \mathop {{\rm{max}}}\limits_i {v_{ij}})|j \in [1, n]\} \end{array} \right. $ | (11) |
4) 计算欧式距离。结合上节确定的指标综合权重,待评价方案与直觉模糊理想解的欧式距离为:
$ \left\{ \begin{array}{l} d_\mathit{i}^ + = \sqrt {\frac{1}{2}\sum\limits_{\mathit{j}{\rm{ = 1}}}^\mathit{n} {{w_j}[{{({\mu _{ij}}-\mu _{ij}^ + )}^2} + {{({v_{ij}}-v_{ij}^ + )}^2}]} } \\ d_\mathit{i}^{\rm{ - }} = \sqrt {\frac{1}{2}\sum\limits_{\mathit{j}{\rm{ = 1}}}^\mathit{n} {{w_j}[{{({\mu _{ij}}-\mu _{ij}^{\rm{-}})}^2} + {{({v_{ij}}-v_{ij}^{\rm{ - }})}^2}]} } \end{array} \right. $ | (12) |
5) 确定接近程度。第i个方案和最优方案的接近程度δi为:
$ {\delta _i} = \frac{{d_\mathit{i}^{\rm{ - }}}}{{d_\mathit{i}^ + + d_\mathit{i}^{\rm{ - }}}} $ | (13) |
针对数控机床人机界面的感性设计,运用所建立的基于感性工学的多意象评价方法对图 2所示数控机床人机界面的4个方案进行方案对比分析。
![]() |
图 2 数控机床人机界面设计方案 Fig.2 The design schemes of human-machine interface for CNC machine tools |
根据所建立的人机界面感性评价体系,邀请4位专家运用AHP法针对感性指标建立两两判断矩阵,得到以下4个判断矩阵:
$ \begin{array}{l} {\mathit{\boldsymbol{A}}_1} = \left[{\begin{array}{*{20}{c}} 1&3&4&3\\ {1/3}&1&3&{1/3}\\ {1/4}&{1/3}&1&{1/3}\\ {1/3}&3&3&1 \end{array}} \right]\mathit{\boldsymbol{, }}{\mathit{\boldsymbol{A}}_2} = \left[{\begin{array}{*{20}{c}} 1&4&3&2\\ {1/4}&1&{1/3}&{1/3}\\ {1/3}&3&1&{1/4}\\ {1/2}&3&4&1 \end{array}} \right]\\ {\mathit{\boldsymbol{A}}_3} = \left[{\begin{array}{*{20}{c}} 1&3&4&2\\ {1/3}&1&3&{1/3}\\ {1/4}&{1/3}&1&{1/4}\\ {1/2}&3&4&1 \end{array}} \right], {\mathit{\boldsymbol{A}}_4} = \left[{\begin{array}{*{20}{c}} 1&{1/3}&{1/2}&{1/5}\\ 3&1&3&{1/3}\\ 2&{1/3}&1&{1/4}\\ 5&3&4&1 \end{array}} \right] \end{array} $ |
由式(2) 可得各个专家给出的权重向量为:
$ \begin{array}{*{20}{l}} {{\mathit{\boldsymbol{W}}_1} = {{\left( {0.494,0.154,0.082,0.270} \right)}\;^{\rm{T}}}}\\ {{\mathit{\boldsymbol{W}}_2} = {{\left( {0.441,0.083,0.148,0.328} \right)}\;^{\rm{T}}}}\\ {{\mathit{\boldsymbol{W}}_3} = {{\left( {0.449,0.155,0.078,0.318} \right)}\;^{\rm{T}}}}\\ {{\mathit{\boldsymbol{W}}_4} = {{\left( {0.082,0.256,0.124,0.563} \right)}\;^{\rm{T}}}} \end{array} $ |
经检验一致性比率CR≤0.10,即认为判断矩阵具有满意的一致性,说明权值分配是合理的,则由式(3) 构造灰色关联评判矩阵并经式(4) 标准化处理后为:
$ \mathit{\boldsymbol{X}} = \left[{\begin{array}{*{20}{c}} {0.337}&{0.238}&{0.190}&{0.183}\\ {0.301}&{0.128}&{0.343}&{0.222}\\ {0.306}&{0.239}&{0.181}&{0.215}\\ {0.056}&{0.395}&{0.287}&{0.381} \end{array}} \right] $ |
取参考序列X0=(0.250, 0.250, 0.250, 0.250),利用式(5) 和式(6) 可得各个专家所给指标权重与参考序列的关联度为:α01=0.731,α02=0.664,α03=0.794,α04=0.570,根据式(7) 计算各专家权重系数为:β1=0.265,β2=0.241,β3=0.288,β4=0.207,则利用式(8) 可得引入灰色关联分析修正后的综合权重W=(0.383, 0.109, 0.105, 0.365)。
3.2 综合评价1) 邀请专家对数控机床人机界面方案进行感性评分,将感性赋值分数通过表 1和式(1) 处理后,构建直觉模糊评价矩阵:
$ \mathit{\boldsymbol{Q}} = \left[{\begin{array}{*{20}{c}} {\left( {0.80, 0.20} \right)}&{\left( {0.85, 0.15} \right)}&{\left( {0.75, 0.25} \right)}&{\left( {0.80, 0.20} \right)}\\ {\left( {0.85, 0.15} \right)}&{\left( {0.70, 0.30} \right)}&{\left( {0.80, 0.20} \right)}&{\left( {0.80, 0.20} \right)}\\ {\left( {0.75, 0.25} \right)}&{\left( {0.80, 0.20} \right)}&{\left( {0.85, 0.15} \right)}&{\left( {0.75, 0.25} \right)}\\ {\left( {0.80, 0.20} \right)}&{\left( {0.80, 0.20} \right)}&{\left( {0.85, 0.15} \right)}&{(0.75, 0.25)} \end{array}} \right] $ |
2) 通过式(11) 确定正、负理想解,再根据式(12) 计算各评价方案与正、负理想解的欧氏距离为:
$ \begin{array}{l} \left\{ \begin{array}{l} d_1^ + = 0.044\;8\\ d_1^ - = 0.065\;7{\rm{ }} \end{array} \right.\;\left\{ \begin{array}{l} d_2^ + = 0.052\;1\\ d_2^ - = 0.070\;7 \end{array} \right.\\ \left\{ \begin{array}{l} d_3^ + = 0.070\;8\\ d_3^ - = 0.046\;3{\rm{ }} \end{array} \right.\;\left\{ \begin{array}{l} d_4^ + = 0.046\;3\\ d_4^ - = 0.055\;7 \end{array} \right. \end{array} $ |
3) 根据式(13) 计算各方案与理想方案的接近程度, 得:
$ \begin{array}{l} {\delta _1} = 0.595, \;{\delta _2} = 0.576\\ {\delta _3} = 0.395, \;{\delta _4} = 0.546 \end{array} $ |
可以看出δ1>δ2>δ4>δ3,则方案的优劣排序依次为方案1、方案2、方案4和方案3,即方案1为最优方案。
为分析此评价结果,采用文献[12]中人机界面美度评价方法,对各方案界面进行美度指标计算,并运用灰色关联分析法计算各方案美度的关联度值(计算过程略),则4个设计方案界面美度的关联值分别为0.618 2, 0.580 5, 0.434 6, 0.518 0,其优势次序为方案1、方案2、方案4和方案3。这与本文评价方法所得结果一致,从而验证了方法的可行性。
4 结论目前,国内外针对人机界面感性设计定量评价的研究甚少,本文通过感性工学方法科学地建立了评价指标,并在此基础上建立了一种综合评价决策方法。该方法在利用群AHP方法进行多专家共同评判的基础上,引入灰色关联分析法对获取的各感性指标权重加以修正,增加了权重确立的科学性和说服力,利用直觉模糊集来描述感性评价的不确定性和模糊性,通过直觉模糊集和TOPSIS方法建立了人机界面综合评价模型,最后对数控机床人机界面的4种设计方案进行了评价,确立了最优方案,验证了该方法的可行性。该研究方法对人机界面感性设计与设计评价具有一定的参考意义。
[1] |
张东方.
基于FAHP的立体车库人机界面可用性评价方法[J]. 机械设计, 2014, 31(4): 97–99.
ZHANG Dong-fang. Usability evaluation method on human-machine interface of stereo garage based on FAHP[J]. Journal of Machine Design, 2014, 31(4): 97–99. |
[2] |
邓丽, 余隋怀, 陈波.
基于Vague集的人机界面布局眼动追踪评价[J]. 工程设计学报, 2016, 23(3): 222–227.
DENG Li, YU Sui-huai, CHEN Bo. Eye tracking evaluation of human-machine interface layout based on Vague set[J]. Chinese Journal of Engineering Design, 2016, 23(3): 222–227. |
[3] |
赵慧亮, 何林, 林丽, 等.
基于TOPSIS的数字化人机界面体验度量评价[J]. 机械设计, 2016, 33(1): 120–123.
ZHAO Hui-liang, HE Lin, LIN Li, et al. Digital human-machine interface experience measurement based on TOPSIS[J]. Journal of Machine Design, 2016, 33(1): 120–123. |
[4] | BEN-BASSAT T, MEYER J, TRACTINSKY N. Economic and subjective measures of the perceived value of aesthetics and usability[J]. ACM Transactions on Computer-Human Interaction, 2006, 13(2): 210–234. DOI:10.1145/1165734 |
[5] | SONDEREGGER A, SAUER J. The influence of design aesthetics in usability testing:effects on user performance and perceived usability[J]. Applied Ergonomics, 2010, 41(3): 403–410. DOI:10.1016/j.apergo.2009.09.002 |
[6] | LAI G Y, CHEN P H, SHIH S W. Computational models and experimental investigations of effects of balance and symmetry on the aesthetics of text-overlaid images[J]. International Journal of Human-Computer Studies, 2010, 68(1/2): 41–56. |
[7] | MOSHAGENA M, THIELSCH M T. Facets of visual aesthetics[J]. International Journal of Human-Computer Studies, 2010, 68(10): 689–709. DOI:10.1016/j.ijhcs.2010.05.006 |
[8] | NGO D C L, TEO L S, BYRNE J G. Modeling interface aesthetics[J]. Information Sciences, 2003, 152(8): 25–46. |
[9] |
林丽, 薛澄岐, 王海燕, 等.
优化KE模型的产品形态解构方法[J]. 东南大学学报, 2010, 40(6): 1353–1357.
LIN Li, XUE Cheng-qi, WANG Hai-yan, et al. Product form deconstruction method to optimize KE model[J]. Journal of Southeast University, 2010, 40(6): 1353–1357. |
[10] |
刘征宏, 谢庆生, 黄海松, 等.
多维变量感性工学模型构建及其性能评估[J]. 四川大学学报(工程科学版), 2016, 48(2): 198–206.
LIU Zheng-hong, XIE Qing-sheng, HUANG Hai-song, et al. Construction and performance evaluation for multi-dimensional variable KE model[J]. Journal of Sichuan University (Engineering Science Edition), 2016, 48(2): 198–206. |
[11] |
张娜, 王家民, 杨延璞.
人机界面形态元素布局设计美度意象的评价方法[J]. 机械科学与技术, 2015, 34(10): 1594–1598.
ZHANG Na, WANG Jia-min, YANG Yan-pu. Evaluation method of aesthetic image for man-machine interface form elements layout design[J]. Mechanical Science and Technology for Aerospace Engineering, 2015, 34(10): 1594–1598. |
[12] |
周蕾, 薛澄岐, 汤文成, 等.
界面元素布局设计的美度评价方法[J]. 计算机辅助设计与图形学学报, 2013, 25(5): 758–766.
ZHOU Lei, XUE Cheng-qi, TANG Wen-cheng, et al. Aesthetic evaluation method of interface elements layout design[J]. Journal of Computer-aided Design & Computer Graphics, 2013, 25(5): 758–766. |
[13] |
苏建宁, 江平宇, 朱斌, 等.
感性工学及其在产品设计中的应用研究[J]. 西安交通大学学报, 2004, 38(1): 60–63.
SU Jian-ning, JIANG Ping-yu, ZHU Bin, et al. Research on Kansei engineering and its application to product design[J]. Journal of Xi'an Jiaotong University, 2004, 38(1): 60–63. |
[14] | MENG D S, WANG J H, YANG C C. Affective response dimension selection for product design:a comparison of cluster analysis and procrustes analysis[J]. International Journal of Digital Content Technology & Its Applications, 2011, 5(1): 305–318. |
[15] | CHATZIMOURATIDIS A I, PILAVACHI P A. Multi-criteria evaluation of power plants impact on the living standard using the analytic hierarchy process[J]. Energy Policy, 2008, 36(3): 1074–1089. DOI:10.1016/j.enpol.2007.11.028 |
[16] |
屈兵, 肖汝诚, 仲健, 等.
基于群决策的改进AHP法在桥梁评估中的应用[J]. 中南大学学报(自然科学版), 2015, 46(11): 4204–4210.
QU Bing, XIAO Ru-cheng, ZHONG Jian, et al. Application of improve AHP group decision theory in bridge assessment[J]. Journal of Central South University(Science and Technology), 2015, 46(11): 4204–4210. DOI:10.11817/j.issn.1672-7207.2015.11.030 |
[17] | DONG Yu-cheng, ZHANG Gui-qing, HONG Wei-chiang, et al. Consensus models for AHP group decision making under row geometric mean prioritization method[J]. Decision Support Systems, 2010, 49(3): 281–289. DOI:10.1016/j.dss.2010.03.003 |
[18] | PEDRYCZ W, SONG M. Analytic hierarchy process (AHP) in group decision making and its optimization with an allocation of information granularity[J]. IEEE Transactions on Fuzzy Systems, 2011, 19(3): 527–539. DOI:10.1109/TFUZZ.2011.2116029 |
[19] |
赵惠亮, 何林, 林丽.
数字化人机界面的多目标意象设计决策研究[J]. 工程设计学报, 2016, 23(1): 28–34.
ZHAO Hui-liang, HE Lin, LIN Li. The design making on multi-image design for digital human-machine interface[J]. Chinese Journal of Engineering Design, 2016, 23(1): 28–34. |
[20] |
邬书良, 周智勇, 陈建宏, 等.
直觉模糊集TOPSIS的露天矿岩体质量评价[J]. 中南大学学报(自然科学版), 2016, 47(7): 2463–2468.
WU Shu-liang, ZHOU Zhi-yong, CHEN Jian-hong, et al. Evaluation of rock mass quality based on intuitionistic fuzzy set TOPSIS in open-pit mine[J]. Journal of Central South University (Science and Technology), 2016, 47(7): 2463–2468. DOI:10.11817/j.issn.1672-7207.2016.07.008 |