「SD法操作與實驗設計說明」：修訂間差異

出自CCW Lecture
（建立內容為「= SD法（語意差異法）操作手冊（課程版） = 本文件提供給「感性科技與產品設計」課程學生，作為實際操作 SD 法的完整流程指南。SD 法是一種心理測量工具，能幫助我們將「語音給人的感性印象」轉換為可以分析的數據。本課程會將 SD 法應用在語音樣本的安撫感評估，協助學生理解不同語速、語調與情緒風格對感受的影響，並將結果用於互動產品…」的新頁面）
 
無編輯摘要
行 1： 行 1：
= SD法（語意差異法）操作手冊（課程版） =
= SD法（語意差異法）操作手冊（課程版 ・整合重製 ） =
 本文件提供給「感性科技與產品設計」課程學生， 作 為 實際 操作 SD 法 的 完整 流程 指南。SD 法 是一種心理測量工具， 能 幫助我們 將「語音給人的感性印象」轉換為可 以 分析的數據 。 本課 程會 將 SD 法 應用 在語音樣本的 安撫 感評估，協助學生理解不同 語 速、語調與 情緒 風格對感受 的 影響，並將結果用於互動產品 設計。
 本文件提供給「感性科技與產品設計」課程學生， 做 為 第一次 操作 也能完成的 SD 法完整指南。SD 法能將「語音給人的感性印象」轉換為可分析的數據 ， 本課將 其 應用 於「 安撫 ：AI  語 音在成人 情緒 安撫中 的設計 」 。


----
----


== 一、學習目標 ==
== 一、學習目標 ==
* 了解 SD 法的基本概念與研究 方法 。
* 了解 SD 法的基本概念與研究 邏輯 。
* 學會設計 SD 問卷並收集主觀感性印象數據。
* 學會設計 SD 問卷並收集主觀感性印象數據 （最低樣本數：'''15 份/組'''） 。
* 掌握 數據 整 理 、分析與視覺化 的方法 。
* 掌握 資料清 整、 平均值與差異 分析 、雷達圖 與 長條圖 視覺化。
* 能將 SD 法的研究 結果轉換為具體的語音設計規則。
* 能將結果轉換為具體的語音設計規則 ，支援互動產品原型 。


----
----


== 二、核心名詞 ==
== 二、核心名詞 ==
* '''刺激（Stimuli）'''：本課 使用由 openai.fm 產生 的語音 樣本。
* '''刺激（Stimuli）'''：本課 以「學生自製之安撫語音檔」為主（亦可輔以 openai.fm 產生 之 樣本 ） 。
* '''詞對（對立形容詞對）'''：如「溫暖－冷漠」、「安心－焦躁」，用 來 捕捉主觀感性印象。
* '''詞對（對立形容詞對）'''：如「溫暖－冷漠」、「安心－焦躁」，用 於 捕捉主觀感性印象。
* '''量表（Scale）''' ：5 點或 7 點尺度，用 來記錄受測者感覺傾向 。
* '''量表（Scale）''' ：採 7 點尺度 （-3~+3 或 1~7） ， 建議使 用 7 點以提升分辨率 。
* '''順序效應（Order Effect）'''：播放 樣本的 先後可能影響 感受 ， 必 須 控制 或隨機化。
* '''順序效應（Order Effect）'''：播放先後可能影響 評分 ，須 以 AB/BA 平衡 或隨機化 控制 。


----
----


== 三、與課程進度對應 ==
== 三、與課程進度對應 ==
* 第2週： 學習 感性工學與 SD 法 ， 建立安撫感 「 詞彙庫」。
* 第2週：感性工學與 SD 法 基礎； 建立 「 安撫感詞彙庫」。
* 第3週： 以 openai.fm 產生 語音 ， 設計 SD  問卷並施測。
* 第3週： 自製 語音 樣本； 設計問卷並施測 （收樣進行中） 。
* 第4週： 將 SD  結果 與焦慮 情境 需求問卷結合， 作為 Persona 與情境 設計依據。
* 第4週： 彙整 結果 ，結合 情境/Persona  作為設計依據。
* 第10～16週：將 SD  法的 發現 應用到 語音腳本、互動 設計 與使用者測試。
* 第10～16週：將 SD 發現 落實於 語音腳本、互動 流程 與使用者測試。


----
----


== 四、完整操作流程 ==
== 四、完整操作流程 （一步步照做） ==


=== 步驟一：訂定研究目標與假設 ===
=== 步驟一：訂定研究目標與假設 ===
  在開始操作 SD 法之前，必須先明確定義研究目標與研究假設。 研究目標 通常是圍繞著「想知道某個特定刺激會引起什麼樣的感性反應」， 例 如 ：比較 慢速與快 速語音 在 安撫感 上的 差異。研究假設 則是基於經驗或推測提出的預期結果， 例 如「 慢速、低語調 的 語音 會比快速、高語調的語音更 能 讓人感到 安心」 。這樣的假設能使後續的研究設計更聚焦 。
* 研究目標 示 例：比較 不同語 速/ 語 調/ 音 色之「 安撫感 」 差異。
*  研究假設 示 例 ： 慢速、 較 低語調 之 語音 ，較 能 提升「 安心」 「親近」「溫暖」評分 。


  之所以需要這一步，是因為沒有 明確 的 目標 與假設 ， 研究會失去方向，所蒐集的 資料 可能 無法回 答 問題 。訂 定 研究 目標 的過程 ， 其實就是在為整個研究劃定邊界，幫助學生在 後續 操作中清楚知道要觀察什麼、比較什麼 ， 最後又要如何解釋結果。它讓數據不 只 是數字， 而 是能夠支持或推翻一個具體的想法 。
;為何重要
* 無 明確目標，資料 將 無法回 應 問題 ；先 定 義 目標， 才能聚焦詞對與樣本設計。
* 假設讓 後續 分析更有方向（支援或反駁） ， 避免 只 做描述 而 無決策依據 。


---
---


=== 步驟二：準備語音樣本 ===
=== 步驟二：準備語音樣本 （學生自製） ===
* 工具 ：[openai.fm](https://openai.fm)
* 工具 建議：ElevenLabs / OpenAI TTS / Google Cloud TTS（產生）；Audacity（剪輯/ 正規化）。
*  操作方式 ：
*  文本 ：'''所有版本使用 同一 段 文字 （20–30 秒）'''，避免語意差異干擾。
# 輸入 同一 句 文字（ 如 「 晚 安， 今天辛苦了 ， 請好好休息 。」 ）。
: 建議文本 （ 可直接用）： 「 請先深呼吸三次，慢慢吐氣。你現在很 安 全 ， 一切都會好起來。我在這裡陪你 ， 我們一步一步來 。」
# 產生 至少 三 種 不同風格的語音，僅改 變語速／語調／ 情緒。
 
# 儲存 檔案 ，命名為 A、B、C 以 利問卷編碼 。
* 設計 至少 2–3  種 版本（控制 變 因並記錄）：
** 版本 A：溫柔女聲／慢速／柔和 語 調
** 版本 B：專業男聲／中 速／ 平穩 語調
** （可選）版本 C：中性 AI 音色 ／ 平穩語調
 
;輸出規格建議
* 檔案 格式：WAV/MP3、48 kHz、單聲道；剪除空白、'''正規化至 -1.0 dB''' 以 統一音量 。
* 檔名規則：A_warm_female_slow.wav；B_pro_male_mid.wav；C_neutral_mid.wav


{| class="wikitable"
{| class="wikitable"
! 樣本ID !! 語速 !! 語調 !! 情緒 風格 !! 文字內容 !! 檔名
! 樣本ID !! 語速 !! 語調 !!  音色/ 情緒 !! 文字內容 !! 檔名
|-
|-
| A || 慢 ||  低 ||  平靜 || 晚安，今天辛苦了，請好好休息。 || A.wav
| A || 慢 ||  柔和 ||  女聲/安撫 || （同一段）|| A_warm_female_slow.wav
|-
|-
| B || 中 ||  中 ||  中性 || 晚安，今天辛苦了，請好好休息。 || B.wav
| B || 中 ||  平穩 ||  男聲/專業 || （同一段）|| B_pro_male_mid.wav
|-
|-
| C ||  快 ||  高 ||  緊張 || 晚安，今天辛苦了，請好好休息。 || C.wav
| C ||  中 ||  平穩 ||  中性/中性 || （同一段）|| C_neutral_mid.wav
|}
|}


  刺激樣本的設計必須嚴謹，因為它直接決定了受測者所要評估的對象。在本課程中，我們要求使用相同的文字內容，僅改變語速、語調或情緒風格，這樣才能避免「語意差異」干擾結果。例如，如果語 音 內容 不一 致，受測者可能因文字本身的差異而產生不 同 感受，而不是因為語音參數造成的差異 。
;常見錯誤與修正
 
* 音 量 不一 → Audacity「效果＞正規化」； 同 一峰值 。
  透 過準 備多組語音樣本（如 A、B、C） ， 學生可以在後續分析中比較不同語音的感性印象 。 這個步驟 不 僅是技術操作，更是在訓練你如何「控制變因」：只有控制了其他條件 一致， 才能把差異歸因於所關心的語音特徵。這是進行任何科學性調查時最重要的研究設計原則 。
* 情緒 過 度戲劇化 → 以「穩定、溫柔、自然」為 準， 避免誇張影響安撫判斷 。
* 文本 不一致 → 一律改回同一段 ， 長度 20–30 秒 。


---
---


=== 步驟三：建立詞對 ===
=== 步驟三：建立詞對 （SD 維度） ===
 詞對 是 SD 法的 核心 工具，受測者將透過詞對來評價樣本 。 學生需要根據課堂上建立的「安撫感詞彙庫」選出 6–10 對清楚的對立形容詞，例如「 溫 暖－ 冷漠 」、「 安心 －焦躁」、「柔和－刺耳」、「舒適－ 不 舒適」、「 安靜 －吵雜」。這些詞對能從不同角度捕捉語音的印象，形成一個多維度的評估框架。
* 建議使用 '''10–12 組''' 詞對 ，涵蓋安撫 核心 向度且不致疲勞 。
* 推薦 12 組（可全用）：
# 溫 柔 –  冷漠
#  安心 –  不安
# 親近 – 疏遠
# 自然 – 機械
# 專業 – 草率
# 穩定 – 混亂
# 柔軟 – 剛硬
# 可信 – 可疑
# 平 靜 – 焦躁
# 真實 – 人工
# 友善 – 嚴肅
# 溫暖 – 冰冷


選擇詞對時要注意幾點：第一， 詞 意必須簡單明確， 避免 讓受測者產生 歧 義 ； 第二，詞對必須有對立關係， 不 能是兩個意義相 近 的詞 ； 第三，數量要適中，太少會讓研究過於片面，太多則會增加受測者的疲勞感。一般建議控制在 6–10  對 之間，既能涵蓋安撫感的多個面向，又能讓受測者在合理的時間內完成問卷。
;用 詞 註解（ 避免 理解 歧 異）
* 自然＝不像機器念稿、抑揚合宜 ； 機械＝平板、毫無表情
* 專業＝穩健不慌亂、咬字清楚；草率＝含糊、節奏 不 穩
* 親 近 ＝像在跟「我」說話 ； 疏遠＝像 對 群眾廣播


---
---


=== 步驟四：設計量表與問卷 ===
=== 步驟四：設計量表與問卷 （Google 表單/Kobo） ===
*  建議使用 7 點尺度 ：
*  尺度：'''7 點尺度'''（-3、-2、-1、0、+1 、+2、+3）。
** 1 = 極端偏左側詞
*  題幹寫法（務必含數字）：'''溫柔（-3）— 冷漠（+3）'''
** 4 = 中立或不確定
** 7 = 極端偏右側詞
* 工具：Google 表單 / KoboToolbox


{| class="wikitable"
{| class="wikitable"
! 詞對 !! 1 !! 2 !! 3 !! 4 !! 5 !! 6 !! 7
! 詞對 （示例） !! -3 !! -2 !! -1 !! 0 !! +1 !! +2 !! +3
|-
|-
| 溫 暖－ 冷漠 || ○ || ○ || ○ || ○ || ○ || ○ || ○
| 溫 柔 —  冷漠 || ○ || ○ || ○ || ○ || ○ || ○ || ○
|-
|-
| 安心 －焦躁 || ○ || ○ || ○ || ○ || ○ || ○ || ○
| 安心 — 不安 || ○ || ○ || ○ || ○ || ○ || ○ || ○
|-
|-
|  柔和－刺耳 || ○ || ○ || ○ || ○ || ○ || ○ || ○
|  親近 — 疏遠 || ○ || ○ || ○ || ○ || ○ || ○ || ○
|-
|-
|  舒適－不舒適 || ○ || ○ || ○ || ○ || ○ || ○ || ○
|  自然 — 機械 || ○ || ○ || ○ || ○ || ○ || ○ || ○
|}
|}


量表設計的關鍵在於「尺度」 與 「呈現方式」。7 點尺度能提供比 5 點更細緻 的 數據，使 研究 者更容易觀察到 語音 間的差異。每一分數都代表了一種「程度」，因此受測者能更準確地表達自己的感受。 使用 Google 表單或 KoboToolbox 能讓數據自動化收集並匯出 ， 節省大量整理時間。
;問卷結構建議
# '''頁 1：研究說明 與 同意（必填）'''
#: 目 的 、匿名、僅教學 研究 、可隨時退出 → 是否同意（是/否）
# 基本資料：年齡（20–29/30–39/40–49/50+）、性別、 語音 助理 使用 經驗（常用/偶爾/從不）、聆聽裝置（耳機/喇叭）
# '''頁 2：語音 A（插入檔案或連結）→ 12 題線性刻度'''
# '''頁 3：語音 B（同上）'''
# （若有 C ， 另開一頁）


  問卷設計時要注意版面清晰 ， 每個 樣 本應分開成獨立一頁，以避免受測者混淆 。 在題目說明中要清楚標示「1 表 示偏左側詞，7 表示偏右側詞 」 ，並提供範例 。 這 樣 的引導能減少誤差，讓每位受測 者 對尺度的理解一致，提升數據的信度 。
;順序效應處理
* 方案一：建立 AB 與 BA 兩份表單 ， 分頭收 樣。
* 方案二：同一 表 單加「學號單雙數」指引（單數先聽 A、雙數先聽 B）。
 
;品質控管
* 新增自評題：「我有完整聆聽音檔 」 是/否（否→標記或剔除） 。
* '''最低有效 樣 本：15 份/組'''（未完整作答、明顯亂填 者 剔除） 。


---
---


=== 步驟五：受測者招募與施測 ===
=== 步驟五：受測者招募與施測 ===
  為了讓結果具有代表性，建議至少招募 10 名以上的受測者。如果 人 數更多，分析結果會更穩定，也更能顯示出不同 語音 風格的差異 。 施測時應保持 環境安靜 ，並要求所有受測者使用 耳機 聆聽， 避免噪音 干擾或 音響 設備 差異 對感受造成影響。研究的可靠性往往取決於這些細節的控制 。
* 對象：20–50 歲成 人 ；盡量平衡性別與「是否使用 語音 助理」。
 
* 方式：便利取樣（同學、朋友、家人）、課程社群發布 。
  另一個需要注 意 的重要因素是樣本播放的順序。若所有人都以同樣的順序聆聽樣本，最後的樣本可能會受到「疲勞效應」或「習慣效應」影響，導致分數偏低或偏高。因此必須隨機化播放順序，例如第一位受測者聽 A-B-C，第二位聽 B-C-A，第三位聽 C-A-B。這樣能有效減少順序對結果的干擾 。
*  環境 ： 安靜 空間＋ 耳機 ； 避免噪音 與 音響差異。
* 隱私與倫理：問卷首頁載明同 意 、匿名、用途 。


---
---


=== 步驟六：資料整理 ===
=== 步驟六：資料整理 （Google 試算表） ===
* 匯出 Google 表單 → CSV 或 Sheets 。
*  表單 匯出 至 Sheets；建立 3 個分頁：'''Raw / Clean / Summary''' 。
* 為每個 樣本 計算平均分 數 與標準差 。
* Clean：刪除失效 樣本 、將題目轉為 數 字尺度（-3~+3），補上欄名（A_溫柔…、B_溫柔…） 。
*  注意 反向題 ： 若有 詞對方向顛倒，需先 轉換 （7 點制計算 公式 ：8 – 原始分數 ） 。
* 反向題 處理（ 若有 使用 1~7 制）： 轉換公式 ＝'''8 – 原始分數''' 。


{| class="wikitable"
{| class="wikitable"
! 受測者ID !! 樣本 !! 溫 暖－ 冷漠 !! 安心 －焦躁 !!  柔和－刺耳 !!  舒適－不舒適
! 受測者ID !! 樣本 !! 溫 柔 —  冷漠 !! 安心 — 不安 !!  親近 — 疏遠 !!  自然 — 機械
|-
|-
| P001 || A || 6 || 6 || 5 || 6
| P001 || A || -2 || -2 || -1 || -1
|-
|-
| P001 || B || 5 || 4 || 4 || 5
| P001 || B || +1 || -1 || +0 || +1
|-
|-
| P001 || C || 2 || 3 || 3 || 2
| P002 || A || -3 || -2 || -2 || -1
|}
|}


  資料整理的第一步是將問卷結果匯出，並依據樣本 分 類。每個受測者的回答都必須保留完整紀錄，避免遺漏或抄寫錯誤。接下來要對每個樣本計算 平均值 ，這能呈現「整體受測者的趨勢」。若有反向題 （ 例如「緊張－放鬆」 ） ，必須先做反向計算，否則會讓分析方向出現錯誤。
;Summary 分 頁公式範例（示意）
* 平均值（語音 A／溫柔）：
: <code>=AVERAGE(FILTER(Clean!C2:C, Clean!C2:C<>""))</code>
*  平均值（ 語音 B／溫柔）：
: <code>=AVERAGE(FILTER(Clean!O2:O, Clean!O2:O<>""))</code>
* 差異（A-B ） ：
: <code>= [A_溫柔平均] - [B_溫柔平均]</code>


 除 了平均 值 之外，標準差也是一個重要指標。它能告訴我們「受測者之間是否一致」。 例如 ，語音 A 在「安心－焦躁」的平均 值 很高，但標準差很小，這代表大多數人都有一致的體驗；反之，如果標準差很大，則表示不同人對同一語音的感受差異很大，這時候就要思考樣本設計或受測者背景是否影響了結果 。
;品質檢查
* 以 <code>FILTER</code> 排 除 空 值 ；檢視離群（ 例如 12 題全同 值 ）並註記處理 。


---
---


=== 步驟七：視覺化 分析 ===
=== 步驟七：視覺化 與解讀 ===
  視覺化是將數據轉換成 圖 像的過程，使不同樣本之間的差異更直觀。最常用的 圖 表是 雷達圖 ，因為它能同時顯示多 個詞對 的 平均 分數，並以「形狀」的方式呈現不同樣本的特徵 。 舉例來說，如果樣本 A 的曲線在「安心」 、 「溫暖」、「柔和」方向都較外側，代表它在這些維度上的安撫感更高 。
* 圖 表：'''雷達圖（建議）＋長條 圖 （選配）'''
**  雷達圖 ：12  個詞對 × 兩條數列（語音 A／語音 B  平均 ） 。
** 長條圖：A 平均、B 平均 、 差異（A-B） 。


解 讀 雷達圖時，學生需 要關 注 的 不只是「哪個樣本分數最高」，還要理解「樣本之間在哪些維 度 差異最大」 。 這些差異往往能指出設計上最重要的方 向 。例如 ， 如果樣本 A 與 B 在 「 舒適－不舒適 」 差 不 多，但在「 安 心－焦躁」差異很大 ， 那麼設計決策應該特別重視語音在「安心感」上的優化 。
;閱 讀要 點
* 與安撫直接相 關的 向 度 （溫柔、安心、親近、自然、溫暖、平靜）更外圈＝更安撫 。
* 專業、冷靜 向 度更外圈 ， 代表 「 更專業 」 ， 不 一定＝更 安 撫 ， 需依情境判斷 。


---
---


=== 步驟八：設計應用 ===
=== 步驟八：設計應用 （把數據變成規則） ===
  最後 一 步是將 SD 法的研究 結 果轉換為設計規則，並應 用 到後續的語音互動產品設計中 。 這意味著學生需要 將 「 數 據」轉換為「設計 語 言」，例如「 慢速 、低 語調 的語音能顯著 提升安心 感，因此我們的 產品 將 固定 使用慢速輸出 ， 並在句尾降低語調 」。 這 樣 的 規則 能使設計更有 依據， 而不只是憑直覺 。
* 一 句話總 結 ：哪個版本更安撫？ 用 3–4 個數據點佐證 。
*  將 關鍵參 數 條文化：
**  語 速：慢（A）優於中（B）→ 安撫場景用 慢速 ；提醒/醫療可用中速。
**  語調 ：句尾略降、抑揚幅度小→  提升安心 與平靜。
** 音色：女性/溫暖音色提升親近；中性音色需增加微小抑揚避免疏遠。
* 實作建議：把上述規則寫入 產品 「語音風格指南」（Voice Style Guide），期末原型照規則輸出。
 
----
 
== 五、常見錯誤與注意事項 ==
* 詞對模糊或同義重複 → 先做小組預試，保留可區辨之詞對。
* 文本不一致或長度差距過大 → 一律使用同一段 20–30 秒文本。
* 音量未對齊 → 全部檔案正規化至同一峰值。
* 問卷未標示數字尺度 → 一率加上（例：溫柔（-3）— 冷漠（+3））。
*  固定 播放順序 → 採 AB/BA 或隨機化 ， 於報告註記流程。
* 只看整體平均 → 務必針對「安撫相關維度 」 單獨比較與解讀 。
 
----
 
== 六、成果繳交與評分檢核 ==
;必要繳交（逐項對照）
* 語音檔 2–3 個（雲端連結/QR Code；含設計參數說明）
* 問卷連結（或 PDF 匯出）＋研究同意文字
* '''有效 樣 本 ≥ 15 份/組'''（含品質控管說明）
* 試算表（Raw/Clean/Summary；平均值、差異、雷達圖）
* 分析重點（3–5 點）與設計決策（條列）
* 「語音風格指南」初稿（語速/語調/音色/情感之 規則 化條目）
 
;加分項
* AB/BA 順序平衡並分層比較
* 族群分層（常用語音助理 vs 從不）
* 第二輪微調（ 依 數 據 小幅調參）與再測計畫
 
----
 
== 七、案例示範（摘要表） ==
{| class="wikitable" style="text-align:center"
! 形容詞對 !! 語音A（慢/柔和/女） !! 語音B（中/平穩/男）
|-
| 溫柔 – 冷漠 || -2.4 || +0.8
|-
| 安心 – 不安 || -2.0 || -1.2
|-
| 親近 – 疏遠 || -1.8 || +0.2
|-
| 自然 – 機械 || -1.5 || +1.0
|-
| 專業 – 草率 || -0.5 || +2.1
|}
 
;解讀
* A 在「溫柔、安心、親近、自然」全面領先，適合安撫場景（冥想、睡前、情緒舒緩）。
* B 在「專業」明顯優勢 ， 適合提醒/醫療/任務導向情境，但可微量增加抑揚降低疏離 。
 
----


  應用的過 程 中，學生也要注意不同維度之間的平衡。有時候某個 語音 在「安心感」很高，但在「親近感」卻不理想 。 這時候就要根據產品目標來取捨 ： 是要強調 放 鬆與安撫 ， 還是要強調陪伴 與 親近 。 透過這樣的轉換，SD 法不只是研究工具，更成為產品 設計 的 決策依 據 。
== 八、兩週實作時 程 建議 ==
* 第 1 週（課內）：定文本 → 產製 語音 A/B/C → 內測 3 人 → 正規化音量 → 建表單（AB/BA） 。
* 第 1 週（課外） ： 發 放 問卷 ， 回收 '''≥15 份'''；紀錄招募 與 品質控管 。
* 第 2 週（課內）：Clean/Summary → 平均值、差異、雷達圖 → 撰寫結論與 設計決策 。
* 第 2 週（課外）： 依 結論微調聲音參數；（選做）第二輪小樣本再測 。


----
----


==  五 、 常見錯誤與注意事項 ==
==  九 、 快速檢核表（TA/自檢） ==
* 詞對 不清楚 → 需事先小組內預試。
* [ ] 文本一致（20–30 秒），檔名規範、音量正規化
* 樣本 文字不一致 → 會影響結果。
* [ ] 10–12 組 詞對 （題幹含數字：-3~+3）
*  樣本播放順序固定 → 造 成 偏誤。
* [ ] AB/BA 或隨機順序控制，報告有註記
*  問卷太長 → 受測者疲勞 ， 建議控制在 6–10 對詞。
* [ ] 有效 樣本  ≥ 15 份，品質控管題已設
* [ ] 試算表三分頁（Raw/Clean/Summary）與公式正確
* [ ] 雷達圖/長條圖完 成 ，重點維度有解讀
* [ ] 結論有 3–5 個數據證據 ， 決策條文化
* [ ] 已產出「語音風格指南」初稿


----
----


==  六 、 成果繳交清單 ==
==  十 、 附錄：可直接複製的文字區塊 ==
* SD 問卷 （Google Form 連結或 PDF 匯出 ）
;研究說明與同意（問卷頁首範例）
* 原始數據檔（CSV 或 Sheets ）
: 本 問卷 旨在比較不同安撫語音的主觀感受。您的作答完全匿名，資料僅用於本課程之教學研究與學術報告，不涉及個資。填答前請於安靜環境以耳機完整聆聽每段語音（約 20–30 秒）。您可於任何時間停止作答。按「我同意」代表您年滿 20 歲並同意參與。
* 分析圖表 （ 雷達圖／長條圖 ）
 
* 簡短分析報告（300–600 字 ）
;12 題線性刻度題幹（複製到表單 ）
* 設計規則表 （ 以表格呈現 ）
: 溫柔（-3）— 冷漠（+3 ）
* 期中後原型的語音設 定（ 影片或 Demo ）
: 安心（-3）— 不安（+3）
: 親近（-3）— 疏遠 （+3 ）
: 自然（-3）— 機械（+3 ）
: 專業（-3）— 草率 （+3 ）
: 穩 定（-3）— 混亂（+3）
: 柔軟（-3）— 剛硬（+3）
: 可信（-3）— 可疑（+3）
: 平靜（-3）— 焦躁（+3）
: 真實（-3）— 人工（+3）
: 友善（-3）— 嚴肅（+3）
: 溫暖（-3）— 冰冷（+3）
 
;平均值公式（Summary 分頁示例）
: =AVERAGE(FILTER(Clean!C2:C, Clean!C2:C<>""))
: =AVERAGE(FILTER(Clean!O2:O, Clean!O2:O<>""))
: 差異（A-B ） ＝ [A_平均] - [B_平均]


----
----


==  七、 參考資料（中文） ==
== 參考資料（中文） ==
* 曾國維、林靖（2010）。〈以語意差異法評價建築立面意象〉，《設計學報》，15(1)，27–48。Airiti Library: https://www.airitilibrary.com/Article/Detail/10163212-201003-201007050055-201007050055-27-48
* 曾國維、林靖（2010）。〈以語意差異法評價建築立面意象〉，《設計學報》，15(1)，27–48。Airiti Library: https://www.airitilibrary.com/Article/Detail/10163212-201003-201007050055-201007050055-27-48
* 林銘泉（2013）。〈整合感性語意差異的顧客需求設計分析〉。南華大學碩士論文 。[PDF下載](https://nhuir.nhu.edu.tw/bitstream/987654321/18616/1/1022221E343005.pdf) 
* 林銘泉（2013）。〈整合感性語意差異的顧客需求設計分析〉。南華大學碩士論文 。PDF：https://nhuir.nhu.edu.tw/bitstream/987654321/18616/1/1022221E343005.pdf
* 洪偉肯（2010）。〈如何量測產品的矛盾語意〉，《設計學報》 。JODesign: https://www.jodesign.org.tw/index.php/JODesign/article/view/857/452
* 洪偉肯（2010）。〈如何量測產品的矛盾語意〉，《設計學報》 。https://www.jodesign.org.tw/index.php/JODesign/article/view/857/452
* AhaSlides Blog（2024）。〈語意差異量表及其應用與範例〉：https://ahaslides.com/zh-TW/blog/semantic-differential-scale/
* AhaSlides Blog（2024）。〈語意差異量表及其應用與範例〉：https://ahaslides.com/zh-TW/blog/semantic-differential-scale/

於 2025年9月22日 (一) 09:25 的修訂

SD法（語意差異法）操作手冊（課程版・整合重製）

本文件提供給「感性科技與產品設計」課程學生，做為第一次操作也能完成的 SD 法完整指南。SD 法能將「語音給人的感性印象」轉換為可分析的數據，本課將其應用於「安撫：AI 語音在成人情緒安撫中的設計」。

一、學習目標

  • 了解 SD 法的基本概念與研究邏輯。
  • 學會設計 SD 問卷並收集主觀感性印象數據（最低樣本數：15 份/組）。
  • 掌握資料清整、平均值與差異分析、雷達圖與長條圖視覺化。
  • 能將結果轉換為具體的語音設計規則，支援互動產品原型。

二、核心名詞

  • 刺激（Stimuli）：本課以「學生自製之安撫語音檔」為主（亦可輔以 openai.fm 產生之樣本）。
  • 詞對（對立形容詞對）：如「溫暖－冷漠」、「安心－焦躁」，用於捕捉主觀感性印象。
  • 量表（Scale）：採 7 點尺度（-3~+3 或 1~7），建議使用 7 點以提升分辨率。
  • 順序效應（Order Effect）：播放先後可能影響評分，須以 AB/BA 平衡或隨機化控制。

三、與課程進度對應

  • 第2週：感性工學與 SD 法基礎；建立「安撫感詞彙庫」。
  • 第3週：自製語音樣本；設計問卷並施測（收樣進行中）。
  • 第4週：彙整結果，結合情境/Persona 作為設計依據。
  • 第10～16週：將 SD 發現落實於語音腳本、互動流程與使用者測試。

四、完整操作流程（一步步照做）

步驟一：訂定研究目標與假設

  • 研究目標示例：比較不同語速/語調/音色之「安撫感」差異。
  • 研究假設示例：慢速、較低語調之語音，較能提升「安心」「親近」「溫暖」評分。
為何重要
  • 無明確目標，資料將無法回應問題；先定義目標，才能聚焦詞對與樣本設計。
  • 假設讓後續分析更有方向（支援或反駁），避免只做描述而無決策依據。

---

步驟二：準備語音樣本（學生自製）

  • 工具建議：ElevenLabs / OpenAI TTS / Google Cloud TTS（產生）；Audacity（剪輯/正規化）。
  • 文本：所有版本使用同一段文字（20–30 秒），避免語意差異干擾。
建議文本（可直接用）：「請先深呼吸三次，慢慢吐氣。你現在很安全，一切都會好起來。我在這裡陪你，我們一步一步來。」
  • 設計至少 2–3 種版本（控制變因並記錄）：
    • 版本 A：溫柔女聲／慢速／柔和語調
    • 版本 B：專業男聲／中速／平穩語調
    • （可選）版本 C：中性 AI 音色／平穩語調
輸出規格建議
  • 檔案格式：WAV/MP3、48 kHz、單聲道；剪除空白、正規化至 -1.0 dB 以統一音量。
  • 檔名規則：A_warm_female_slow.wav；B_pro_male_mid.wav；C_neutral_mid.wav
樣本ID 語速 語調 音色/情緒 文字內容 檔名
A 慢 柔和 女聲/安撫 （同一段） A_warm_female_slow.wav
B 中 平穩 男聲/專業 （同一段） B_pro_male_mid.wav
C 中 平穩 中性/中性 （同一段） C_neutral_mid.wav
常見錯誤與修正
  • 音量不一 → Audacity「效果＞正規化」；同一峰值。
  • 情緒過度戲劇化 → 以「穩定、溫柔、自然」為準，避免誇張影響安撫判斷。
  • 文本不一致 → 一律改回同一段，長度 20–30 秒。

---

步驟三：建立詞對（SD 維度）

  • 建議使用 10–12 組詞對，涵蓋安撫核心向度且不致疲勞。
  • 推薦 12 組（可全用）：
  1. 溫柔 – 冷漠
  2. 安心 – 不安
  3. 親近 – 疏遠
  4. 自然 – 機械
  5. 專業 – 草率
  6. 穩定 – 混亂
  7. 柔軟 – 剛硬
  8. 可信 – 可疑
  9. 平靜 – 焦躁
  10. 真實 – 人工
  11. 友善 – 嚴肅
  12. 溫暖 – 冰冷
用詞註解（避免理解歧異）
  • 自然＝不像機器念稿、抑揚合宜；機械＝平板、毫無表情
  • 專業＝穩健不慌亂、咬字清楚；草率＝含糊、節奏不穩
  • 親近＝像在跟「我」說話；疏遠＝像對群眾廣播

---

步驟四：設計量表與問卷（Google 表單/Kobo）

  • 尺度：7 點尺度（-3、-2、-1、0、+1、+2、+3）。
  • 題幹寫法（務必含數字）：溫柔（-3）— 冷漠（+3）
詞對（示例） -3 -2 -1 0 +1 +2 +3
溫柔 — 冷漠 ○ ○ ○ ○ ○ ○ ○
安心 — 不安 ○ ○ ○ ○ ○ ○ ○
親近 — 疏遠 ○ ○ ○ ○ ○ ○ ○
自然 — 機械 ○ ○ ○ ○ ○ ○ ○
問卷結構建議
  1. 頁 1：研究說明與同意（必填）
    目的、匿名、僅教學研究、可隨時退出 → 是否同意（是/否）
  2. 基本資料：年齡（20–29/30–39/40–49/50+）、性別、語音助理使用經驗（常用/偶爾/從不）、聆聽裝置（耳機/喇叭）
  3. 頁 2：語音 A（插入檔案或連結）→ 12 題線性刻度
  4. 頁 3：語音 B（同上）
  5. （若有 C，另開一頁）
順序效應處理
  • 方案一：建立 AB 與 BA 兩份表單，分頭收樣。
  • 方案二：同一表單加「學號單雙數」指引（單數先聽 A、雙數先聽 B）。
品質控管
  • 新增自評題：「我有完整聆聽音檔」是/否（否→標記或剔除）。
  • 最低有效樣本：15 份/組（未完整作答、明顯亂填者剔除）。

---

步驟五：受測者招募與施測

  • 對象：20–50 歲成人；盡量平衡性別與「是否使用語音助理」。
  • 方式：便利取樣（同學、朋友、家人）、課程社群發布。
  • 環境：安靜空間＋耳機；避免噪音與音響差異。
  • 隱私與倫理：問卷首頁載明同意、匿名、用途。

---

步驟六：資料整理（Google 試算表）

  • 表單匯出至 Sheets；建立 3 個分頁：Raw / Clean / Summary。
  • Clean：刪除失效樣本、將題目轉為數字尺度（-3~+3），補上欄名（A_溫柔…、B_溫柔…）。
  • 反向題處理（若有使用 1~7 制）：轉換公式＝8 – 原始分數。
受測者ID 樣本 溫柔 — 冷漠 安心 — 不安 親近 — 疏遠 自然 — 機械
P001 A -2 -2 -1 -1
P001 B +1 -1 +0 +1
P002 A -3 -2 -2 -1
Summary 分頁公式範例（示意）
  • 平均值（語音 A／溫柔）：
=AVERAGE(FILTER(Clean!C2:C, Clean!C2:C<>""))
  • 平均值（語音 B／溫柔）：
=AVERAGE(FILTER(Clean!O2:O, Clean!O2:O<>""))
  • 差異（A-B）：
= [A_溫柔平均] - [B_溫柔平均]
品質檢查
  • 以 FILTER 排除空值；檢視離群（例如 12 題全同值）並註記處理。

---

步驟七：視覺化與解讀

  • 圖表：雷達圖（建議）＋長條圖（選配）
    • 雷達圖：12 個詞對 × 兩條數列（語音 A／語音 B 平均）。
    • 長條圖：A 平均、B 平均、差異（A-B）。
閱讀要點
  • 與安撫直接相關的向度（溫柔、安心、親近、自然、溫暖、平靜）更外圈＝更安撫。
  • 專業、冷靜向度更外圈，代表「更專業」，不一定＝更安撫，需依情境判斷。

---

步驟八：設計應用（把數據變成規則）

  • 一句話總結：哪個版本更安撫？用 3–4 個數據點佐證。
  • 將關鍵參數條文化：
    • 語速：慢（A）優於中（B）→ 安撫場景用慢速；提醒/醫療可用中速。
    • 語調：句尾略降、抑揚幅度小→ 提升安心與平靜。
    • 音色：女性/溫暖音色提升親近；中性音色需增加微小抑揚避免疏遠。
  • 實作建議：把上述規則寫入產品「語音風格指南」（Voice Style Guide），期末原型照規則輸出。

五、常見錯誤與注意事項

  • 詞對模糊或同義重複 → 先做小組預試，保留可區辨之詞對。
  • 文本不一致或長度差距過大 → 一律使用同一段 20–30 秒文本。
  • 音量未對齊 → 全部檔案正規化至同一峰值。
  • 問卷未標示數字尺度 → 一率加上（例：溫柔（-3）— 冷漠（+3））。
  • 固定播放順序 → 採 AB/BA 或隨機化，於報告註記流程。
  • 只看整體平均 → 務必針對「安撫相關維度」單獨比較與解讀。

六、成果繳交與評分檢核

必要繳交（逐項對照）
  • 語音檔 2–3 個（雲端連結/QR Code；含設計參數說明）
  • 問卷連結（或 PDF 匯出）＋研究同意文字
  • 有效樣本 ≥ 15 份/組（含品質控管說明）
  • 試算表（Raw/Clean/Summary；平均值、差異、雷達圖）
  • 分析重點（3–5 點）與設計決策（條列）
  • 「語音風格指南」初稿（語速/語調/音色/情感之規則化條目）
加分項
  • AB/BA 順序平衡並分層比較
  • 族群分層（常用語音助理 vs 從不）
  • 第二輪微調（依數據小幅調參）與再測計畫

七、案例示範（摘要表）

形容詞對 語音A（慢/柔和/女） 語音B（中/平穩/男）
溫柔 – 冷漠 -2.4 +0.8
安心 – 不安 -2.0 -1.2
親近 – 疏遠 -1.8 +0.2
自然 – 機械 -1.5 +1.0
專業 – 草率 -0.5 +2.1
解讀
  • A 在「溫柔、安心、親近、自然」全面領先，適合安撫場景（冥想、睡前、情緒舒緩）。
  • B 在「專業」明顯優勢，適合提醒/醫療/任務導向情境，但可微量增加抑揚降低疏離。

八、兩週實作時程建議

  • 第 1 週（課內）：定文本 → 產製語音 A/B/C → 內測 3 人 → 正規化音量 → 建表單（AB/BA）。
  • 第 1 週（課外）：發放問卷，回收 ≥15 份；紀錄招募與品質控管。
  • 第 2 週（課內）：Clean/Summary → 平均值、差異、雷達圖 → 撰寫結論與設計決策。
  • 第 2 週（課外）：依結論微調聲音參數；（選做）第二輪小樣本再測。

九、快速檢核表（TA/自檢）

  • [ ] 文本一致（20–30 秒），檔名規範、音量正規化
  • [ ] 10–12 組詞對（題幹含數字：-3~+3）
  • [ ] AB/BA 或隨機順序控制，報告有註記
  • [ ] 有效樣本 ≥ 15 份，品質控管題已設
  • [ ] 試算表三分頁（Raw/Clean/Summary）與公式正確
  • [ ] 雷達圖/長條圖完成，重點維度有解讀
  • [ ] 結論有 3–5 個數據證據，決策條文化
  • [ ] 已產出「語音風格指南」初稿

十、附錄：可直接複製的文字區塊

研究說明與同意（問卷頁首範例）
本問卷旨在比較不同安撫語音的主觀感受。您的作答完全匿名，資料僅用於本課程之教學研究與學術報告，不涉及個資。填答前請於安靜環境以耳機完整聆聽每段語音（約 20–30 秒）。您可於任何時間停止作答。按「我同意」代表您年滿 20 歲並同意參與。
12 題線性刻度題幹（複製到表單）
溫柔（-3）— 冷漠（+3）
安心（-3）— 不安（+3）
親近（-3）— 疏遠（+3）
自然（-3）— 機械（+3）
專業（-3）— 草率（+3）
穩定（-3）— 混亂（+3）
柔軟（-3）— 剛硬（+3）
可信（-3）— 可疑（+3）
平靜（-3）— 焦躁（+3）
真實（-3）— 人工（+3）
友善（-3）— 嚴肅（+3）
溫暖（-3）— 冰冷（+3）
平均值公式（Summary 分頁示例）
=AVERAGE(FILTER(Clean!C2:C, Clean!C2:C<>""))
=AVERAGE(FILTER(Clean!O2:O, Clean!O2:O<>""))
差異（A-B）＝ [A_平均] - [B_平均]

參考資料（中文）

取自「https://chenwei.synology.me/mediawiki/index.php?title=SD法操作與實驗設計說明&oldid=238」