感性工学は、広島大学工学部の長町三生教授により1970年代初頭に始められました。以来、心理学測定法と多変量解析、80年代半ばからはAIの手法も多数取り入れてきました。80年代からのAIの使用については2通りあり、一つは多変量解析の結果の、膨大な数値データをデザイン・設計実務でわかりやすく使用するための、グラフィックも兼ね備えたエキスパートシステムとして、もう一つは、多変量解析の限界を超えた分析を行うために、今で言う統計的学習理論、機械学習の中でも統計数理を重視する手法でした。その結果、少ないサンプル数や、説明変数間の強い相関などの問題を解消、形を統計量として扱うなどが可能になりました。2020年代からの生成AIをはじめとした手法の応用により、意味の世界まで踏み込んだ文章解析が可能になり、SNSを解析して観光振興の戦略を立てられます.また、感性工学評価実験の分析結果にもとづいて、生成AIを活用したデザインプロセスのスピード化などが可能になりました。
　この講座では、感性工学の手法の初歩を終えられた方むけに、感性工学の応用実践編として、上記のようなAI応用を中心に解説します。

1. 感性工学の測定分析: 基礎手法概観
   1. SD法と尺度論、統計分布
   2. 主成分分析
      • 多次元の感性構造を抽出
   3. クラスター分析
      • 代表的なサンプルのグループを形成、共通要素を発見する
   4. 回帰分析系
      • 細かい設計要因と感性との間の関係を推定する
2. 古典的AIの応用:感性工学エキスパートシステムとデザインプロセスの変革
   1. エキスパートシステムとは
   2. 感性工学エキスパートシステムの実例
   3. 簡単な感性工学エキスパートシステムの作り方
   4. 感性工学エキスパートシステムによるデザインプロセス
3. 統計的学習理論の応用
   1. 少数サンプル問題への対応
      • Partial Least Squares
      • PLS回帰分析
   2. 自己組織化ニューラルネットワークによる階層化クラスター分析の安定化:arboART
   3. 形を統計量として扱う – 洗練された形状には、アールは何ミリにすれば?
      • Morphometricsと感性工学への応用
   4. お互いに高度に相関がある説明変数の場合:Random Forestによる回帰木
4. 生成AIによる分析
   1. 意味の世界まで踏み込んだ文章解析:BERT、 LLMによるSNSの意味解析
   2. 感性工学分析結果から、生成AIによるデザインバリエーションの自動生成方法
      (なるべく、Google Colaboratoryで試せるように準備中です)