1. 서 론

재료의 성질은 크게 두 가지로 구분되는데, 하나는 기계적, 열적, 전기적 성질 등의 유형의(tangible) 성질이고, 다른 하나는 지각, 연상 등의 무형의(intangible) 성질이다. 유형의 성질은 수많은 실험을 통한 연구에 의해 그 원리와 기구가 잘 밝혀져 생활에 광범위하게 잘 응용되고 있다. 그러나 무형의 성질은 인류가 고대로부터 연구를 해왔지만, 과학적인 연구에 의한 체계적인 결과는 많지 않은 실정이다. 근래에 들어 시각의 관점에서 이루어진 연구와^1,2,3,4,5) 제품디자인 분야의 재료선택 관점에서의 연구들이^{6,7,8,9,10,11,12,13,14)} 과학적인 방법을 사용하여 체계적으로 이루어지고 있다.

재료지각(material perception)에 대한 연구는 인간뿐만 아니라 인공지능 로봇에의 응용에 있어서도 그 중요성이 점차 높아지고 있다. 우리 주변은 수많은 재료로 이루어진 제품들로 가득 차 있다. 우리의 두뇌는 그 제품들이 어떤 재료로 이루어져 있으며, 그 성질은 어떤 가를 여러 감각을 통해 바로 지각하고 인식할 수 있다.^1,2,15) 이러한 두뇌 작용이 우리의 삶을 원활하게 만들어주는데, 이는 인공지능 로봇이 인간의 삶 속으로 자연스럽게 들어올 수 있도록 하는데 필수적인 요소가 될 것이다. 이에 인적요소를 반영하여 인간과 로봇을 하나의 시스템으로 통합함으로써 로봇의 성능을 최적화하는 연구가 이루어지고 있다.¹⁶⁾ 재료지각은 감각기관을 통해 두뇌로 들어온 정보들에 대해서 인간의 학습과 경험을 바탕으로 의미를 부여하는, 즉각적인 해석과정이다. 지각판단의 정보는 낱말들로 축적되며, 그 낱말들의 연관관계를 깨달으면 전체적인 맥락, 즉 이해를 하여 정신 형성이 된다.¹⁷⁾ 재료지각은 개개인에 따라, 상황에 따라 다를 수 있으므로 명확한 식으로 표현되기는 거의 불가능하다. 그러나 재료지각에 대한 일반적인 경향은 존재하므로 통계적인 방법을 사용하여 그 정보를 얻고자 한다. 대표적인 방법으로는 지각을 나타내는 형용사를 사용한 언어기반 설문조사가 있는데, 보통의 설문조사는 질문에 대한 답을 여러 구간 중에 하나를 선택하는 의미분화(semantic differentiation) 방식을 사용한다. 그런데 이 방식은 설문 참여자 측면에서 보면, 재료지각 자체도 모호한데, 그 답을 여러 구간으로 나누어 세밀하게 답을 하기는 더욱 어렵다. 어떤 것을 선택할까 주저하다가 적당히 답을 하는 경우가 많다. 답이 참여자의 생각과 일치하지 않을 가능성이 커진다. 이에 본 연구에서는 참여자의 느낌을 더욱 간단하고 명확하게 나타낼 수 있도록 둘 중의 하나를 선택하는 방법을 사용한다. 서로 대립되는 양극성 형용사 쌍(bipolar adjective pair)을 제시하고, 그 중의 하나를 선택하도록 하는 것이다. 하나의 형용사만 주어지면 그 의미가 명확하지 않지만, 그와 대립되는 의미의 형용사와 쌍을 이루어 제시되면, 그 의미가 명확해진다. 전체 속의 부분으로 되어 그 의미가 뚜렷해지는 것이다. 둘 중의 하나를 선택하는 답은 참여자의 생각과 일치할 가능성이 훨씬 커질 것이다. 설문조사 후, 참여자 모두의 데이터를 취합하여 각 항목의 상대빈도(relative frequency)를 구하고, 여러 형용사로 재료지각을 표현하여 총체적 느낌을 왜곡하거나 상실하지 않도록 하여 재료지각의 경향을 알아본다. 형용사를 사용한 지각성질(perceptual qualities)에 대한 언어기반 연구는 여러 분야에서 이루어지고 있다.^2,12,18,19)

설문조사에서 일반적으로 참여자의 수가 많으면 많을수록 데이터의 신뢰성이 높아질 텐데 한 번에 많은 수의 참여자를 대상으로 대면 설문조사를 진행하기는 어려운 점들이 많이 존재한다. 이에 여러 번의 설문조사를 실시하여 데이터를 병합하는 방법이 있는데, 그 과정에서는 각각의 설문조사 데이터가 병합하기에 적합한 지를 검정하는 단계를 거치게 되면 데이터의 신뢰성이 더욱 높아질 것이다. 본 연구에서는 상관계수와 군집분석을 통해서 설문조사 간의 상관성과 동질성 등의 신뢰성을 검정하여 데이터의 병합 가능성을 검토한다. 그 후 병합한 데이터는 상대빈도와 계층적 군집분석으로 여러 종류의 재료에 대한 지각성질을 분석한다. 본 연구의 목표는 인공지능 로봇의 재료인식 학습과 제품디자인의 재료선택 과정에 활용될 수 있는 계층적 군집분석으로 분석된 새로운 각도의 신뢰성 있고 체계적인, 군집별 재료지각 데이터를 구하는 것이다. 본 연구의 모든 분석은 R 프로그래밍 소프트웨어를 사용하여 실행된다.²⁰⁾

2. 설문조사 방법

본 연구의 설문조사에서는 재료지각 분석 방법의 하나인 언어적 방법을 사용하였다. 설문 참여자에게 서로 대립하는 32개의 지각 형용사 쌍이 제시되었으며, 제시된 형용사 쌍에 대해 각 재료 종류, 즉 금속, 세라믹, 폴리머, 우드의 지각성질에 어울린다고 생각되는 형용사 하나씩을 선택하도록 하는 디지털 논리(digital logic) 또는 양자택일(binary selection)의 방식으로 설문조사가 실시되었다. 설문조사에 앞서 조사의 목적, 재료의 지각성질의 일반적인 의미와 제시되는 형용사 쌍에 대해 간단한 설명을 하였으며, 조사 중에는 온전한 본인의 생각으로 답을 하도록 서로 토론하는 것을 금지하였다. 각 설문조사는 약 1시간 소요되었다. 설문조사에 사용된 32개의 지각 형용사 쌍은 Table 1에 나와 있다. 설문 참여자는 재료의 종류를 충분히 구분할 수 있는, 재료공학을 전공하는 21~25세의 학생들로 구성되었다. 서로 다른 학생들로 구성된 3번의 설문조사(AP32D1, AP32D2, AP32D3)가 실시되었는데, 각 26명, 14명, 14명, 총 54명의 설문 참여자로 구성되었다.

3. 데이터 병합을 위한 데이터 신뢰성 검정

3.1. 계층적 군집(hierarchical cluster)을 통한 데이터 신뢰성 검정

3번의 설문조사에서 데이터의 동질성을 검정하기 위해서 계층적 군집분석을 이용하여 재료종류별 군집 형성 여부를 조사하였다. Fig. 1(a)에서 보면, 4개의 군집이 형성된 것을 쉽게 알 수 있다. 재료종류별로 군집이 형성된 것을 알 수 있는데, 군집 내에서는 동질성이 크며, 군집 간에서는 차별성이 크다. 이로써 3번의 설문조사에 걸쳐 재료종류별 동질성을 확인할 수 있으며, 그에 따라 3번의 설문조사 데이터의 신뢰성이 검정됨을 볼 수 있다. Fig. 1(b)는 3번의 설문조사 데이터를 병합하여 계층적 군집분석을 하였고, (a)와 같은 계층구조를 확인하였다.

Fig. 1.

(a) The dendrogram for hierarchical clustering of metal (M), ceramic (C), polymer (P), and wood (W) data from three surveys (AP32D1, AP32D2, AP32D3). To explain the notation of AP32D3W on the leftmost side of this figure, AP32 is 32 adjective pairs, D3 is 3rd data set, and W is wood. Clusters are formed for each material class. (b) The dendrogram for hierarchical clustering of merged data for M, C, P, and W.

3.2. 피어슨 상관계수(Pearson correlation coefficient)를 통한 데이터 신뢰성 검정

재료종류별로 3번의 설문조사 간의 상관성을 상관계수를 통해 검정하고자 한다. Fig. 2를 보면 재료종류별로 3번의 설문조사 간, 32개 형용사 쌍의 상대빈도 데이터가 표시되어 있고, 그에 따른 상관계수도 표시되어 있다. 그 관계를 전체적으로 보면, 금속, 폴리머, 우드의 경우, 강한 상관관계를 보이고 있고, 세라믹의 경우는, 중간 정도의 상관관계를 보이고 있다. 결과적으로, 3번의 설문조사 데이터의 신뢰도가 검정됨을 볼 수 있다.

Fig. 2.

Scatterplot based on 32 perceptual adjectives of metal, ceramic, polymer, and wood from three surveys. The notations on the diagonal are three surveys for each material class, and represent the x and y axes. If we consider the cells in this figure as elements of a matrix, in the case of metal, M₁₂ is the relationship between AP32D1M and AP32D2M, and its correlation coefficient is shown at the symmetrical position M₂₁. In the same way, the relationship between AP32D1M and AP32D3M is shown at M₁₃, and its correlation coefficient is shown at M₃₁. Strong positive correlations are shown for metal, polymer, and wood. The correlation for ceramic appears to be moderately positive (metal-black, ceramic-red, polymer-green, wood-blue).

3.3. k-평균 군집(k-means cluster)을 통한 데이터 신뢰성 검정

Fig. 3은 32개의 지각 형용사를 중심으로 3번의 설문조사 간의 동질성을 검정하는 결과이다. Fig. 2에서 설명된 방식과 동일한 방식으로 산점도를 분석하면, 대각선에 각 지각 형용사 쌍 중의 한 개의 형용사들이 있고, 그들 서로가 만나는 위치에 군집이 표시되어 있다. 군집의 양상을 보면, 재료종류별로, 즉 색깔별로 3번의 설문조사 데이터가 가깝게 군집을 형성한 것을 볼 수 있다. 그런데 만약 형용사 쌍 중에서 다른 형용사를 선택하여 군집을 이루어도, 하나의 형용사 쌍에 대한 상대빈도의 합은 1이므로 재료종류별로 가깝게 군집이 형성되는 결과는 동일하다. 이로써 재료종류별로 동질성을 이룬 것을 알 수 있으므로 데이터의 신뢰도가 검정됨을 볼 수 있다.

Fig. 3.

Scatterplot based on 32 perceptual adjectives of metal, ceramic, polymer and wood in three surveys. On the diagonal is one adjective from each perceptual adjective pair, and clusters are indicated where they meet. Clusters are formed for each material class (metal-black, ceramic-red, polymer-green, wood-blue).

4. 병합된 재료지각 데이터 분석결과

계층적 군집과 k-평균 군집을 통해서 재료종류별 설문조사 간의 동질성을, 상관계수를 통해서 재료종류별 설문조사 간의 상관성을 확인하였다. 이를 통해 3번의 설문조사로 얻은 데이터의 신뢰성이 검정되었고, 그 데이터를 병합하여 참여자 수를 증가시켜 신뢰도가 더 높은 재료지각 데이터의 분석이 가능해졌다. 상대빈도, 계층적 군집을 이용하여 각 재료종류별 지각성질을 분석한다.

4.1. 상대빈도를 이용한 재료지각 데이터 분석

설문조사는 주어진 지각 형용사 쌍에서 재료의 느낌에 맞는 형용사 하나를 선택하는 과정으로 실시된다. 어떤 형용사, 즉 재료지각의 상대빈도는 설문 참여자의 총 인원인 54명 중에 그 형용사를 선택한 인원수의 비율로 계산된다. 따라서 하나의 지각 형용사 쌍에 대한 상대빈도의 합은 1이 된다. Table 1에서 보듯이, 상대빈도 값은 다양하게 나타나는데, 극단적인 값(≥0.90)도 있고, 0.5에 가까운 값(0.45~0.55)도 존재한다. 모두 지각성질을 나타내는 값이 된다. 극단적인 값의 경우는 그 재료의 겉보기 성질이 된다. 금속의 경우, realistic, firm, harsh, masculine, serious가 있고, 세라믹의 경우는 해당 형용사가 없고, 폴리머의 경우, realistic, artificial이 있고, 우드의 경우, nostalgic, common, classic, natural, friendly, calm, artistic, mature가 있다. 상대빈도가 0.5에 가까운 경우는 금속의 경우, classic, trendy, dynamic, static, gloomy, cheerful, upset, calm, coarse, fine이 있고, 세라믹의 경우, relaxed, tense, energetic, lethargic, feminine, masculine, artistic, scientific, mature, youthful이 있고, 폴리머의 경우, energetic, lethargic, appealing, repulsive, upset, calm, unusual, conventional이 있고, 우드의 경우, energetic, lethargic, realistic, philosophical이 있다. 금속은 극단적인 경우와 중간 크기의 경우가 둘 다 많고, 세라믹은 극단적인 경우는 존재하지 않고, 중간 크기의 경우는 상대적으로 많이 존재한다. 폴리머는 극단적인 경우가 비교적 적게 존재하고, 우드는 극단적인 경우는 많이 존재하나, 중간 크기의 경우는 비교적 적게 존재한다.

상대빈도 값을 이용한 지각성질을 시각적으로 확실하게 비교 분석하기 위하여 서로 대립되는 형용사에 대한 상대빈도 값을 색으로 나타내면 비교 효과가 상승한다. Fig. 4(a)에서 보면, 상대빈도 값의 증가에 따라 색이 진해지는 것으로 지각성질의 차이를 명확하게 알 수 있다. Fig. 4(b)는 각각의 대립적인 형용사에 대한 지각성질의 차이를 유클리드 거리(Euclidean distance)로 구하여 그 크기가 클수록 진한 색으로 나타낸 것이다. 차이가 크게 나는 극단적인 경우는 진한 색으로, 차이가 작게 나는 중간 크기의 경우는 흐린 색으로 표현된다. 양쪽 그림을 비교하면 각 재료종류별 다양한 지각성질을 쉽게 구별할 수 있다.

Fig. 4.

Heat map of perceptual qualities of merged data. (a) The relative frequencies of opposing perceptual qualities in two columns for each material class. (b) The difference in relative frequencies of opposing perceptual qualities as Euclidean distance. Cases where there is a large difference in perceptual qualities are expressed in dark colors, and cases where the difference is small are expressed in light colors.

또한 Fig. 5의 워드 클라우드를 사용하여 각 재료종류별 지각성질의 차이를 표현하는 방법도 매우 효과적이다. 워드 클라우드는 대상을 표현하는 핵심어를 시각적으로 보여주는 방법이다. 주된 핵심어일수록 중앙에 크게 배치됨으로써 시각적으로 쉽게 인식할 수 있도록 한다. Fig. 5에서 중앙에 크게 나타나 있는 핵심어는 금속의 경우는 masculine, harsh, scientific, serious, firm, realistic 등이 있고, 세라믹은 elegant, fine, firm, delicate 등이 있다. 폴리머의 경우는 youthful, realistic, artificial, casual, flexible, trendy 등이 있고, 우드는 mature, common, natural, artistic, calm, warm, classic, nostalgic, rigid, conventional 등이 있다. 워드 클라우드는 밖으로 잘 드러나는, 눈에 잘 띄는 성질을 쉽게 볼 수 있는 장점이 있다. 그런데 비교적 작은 크기의 글씨로 표현된 지각성질들도 그 비율만큼 재료의 성질을 구성하게 된다. 따라서 재료의 지각성질은 워드 클라우드에 나타난 단어들에 의해 복합적으로 이루어진다.

Fig. 5.

Word clouds of 64 (32 × 2) perceptual qualities of merged data for metal, ceramic, polymer, and wood. The large letters located in the center make it easy to identify prevailing and universal perceptual qualities.

4.2. 계층적 군집을 이용한 재료지각 데이터 분석

재료종류별 지각성질들 간의 동질성과 차별성을 분석하기 위하여 계층적 군집법을 사용한다. 데이터 간의 유클리드 거리로 군집을 형성하는 계층적 군집을 통하여 군집 내의 데이터의 동질성과 군집 간의 데이터의 차별성을 볼 수 있다. 또한 두 군집 간의 중심점(centroid)들의 거리를 기준으로 군집을 병합하여 상위의 군집을 형성하여 군집들 간의 계층구조를 완성할 수 있다.

Fig. 6을 보면, 각 재료종류에 따라 여러 개의 군집들이 형성된 것을 볼 수 있는데, 그 중에서 3개의 군집을 기준으로 데이터, 즉 지각성질들이 구분되는 것을 뚜렷하게 볼 수 있다. MC (metal cluster), CC (ceramic cluster), PC (polymer cluster), WC (wood cluster)로 표기하며, 뒤의 번호가 높을수록 상대빈도가 낮은 지각성질들이다. 각 재료종류별로 번호가 1번인 C1 군집들은(MC1, CC1, PC1, WC1) 그 재료종류의 대표적인 성질인, 우세하며 보편적인 지각성질들로 구성된 것으로 분석될 수 있는데, 상대빈도가 0.70 이상이다. 우세하며 보편적인 지각성질을 구분 짓는 기준인 상대빈도 0.70은 두 종류의 설문조사 비교를 통한 연구에서도 제시된 바 있다.⁸⁾ 보편적인 지각성질은 재료의 종류를 구분하는 성질이 된다. C2 군집인 MC2, CC2, PC2, WC2는 상대빈도가 0.3~0.7인 중간 크기로 이루어져 있다. C3 군집인 MC3, CC3, PC3, WC3는 상대빈도가 0.3 이하의 크기로 이루어져 있다. 이는 MC1, CC1, PC1, WC1과 쌍을 이루는 지각성질들인데 기여도는 거의 미미한 것으로 분석된다.

Fig. 6.

Dendrogram of 64 (32 × 2) perceptual qualities of merged data for metal, ceramic, polymer, and wood. The dissimilarity is expressed by Euclidean distance. And the dissimilarity of two clusters is calculated as the distance between the cluster centroids. The prevailing and universal perceptual qualities and the comparable perceptual qualities of material classes are distinguished by clusters of C1 and C2, respectively.

각 재료종류별로 살펴보면, 금속의 경우, MC1은 상대빈도가 0.70~0.96, MC2는 0.37~0.63, MC3는 0.04~0.30이다. MC1을 구성하는 21개의 지각성질들은 masculine, serious, harsh, realistic, firm 등으로 금속을 대표하는 우세하며 보편적인 지각성질들로 분석될 수 있다. 그리고 22개(11개 쌍)의 지각성질들, (appealing, repulsive), (coarse, fine), (calm, upset), (trendy, classic), (dynamic, static) 등으로 구성된 MC2 군집은 대등한 성격의 지각성질 쌍으로 이루어져 있다. MC3는 21개의 지각성질들, feminine, humorous, gentle, philosophical, loose 등으로 이루어져 있다. MC1, MC2, MC3 데이터의 수가 거의 동일하다. 세라믹의 경우는, CC1의 상대빈도는 0.78~0.87, CC2는 0.30~0.70, CC3는 0.13~0.22이다. CC1은 6개의 지각성질들, elegant, firm, calm, fine, delicate, bright으로 이루어져 있는데, 보편적인 지각성질이 다른 재료종류에 비해 적은 편이다. 이는 앞의 상관계수를 통한 데이터 검정에서도 상관계수가 가장 낮게 나오는데 이와 연관이 있다고 본다. CC2는 52개(26개 쌍)의 지각성질들, (formal, casual), (conservative, progressive), (boring, exciting), (humorous, serious), (repulsive, appealing) 등으로 구성되며, CC3는 6개의 지각성질들, clumsy, loose, upset, coarse, rugged, dark로 이루어져 있다. CC2 데이터의 수가 다른 군집에 비해서 월등히 많은 걸 볼 수 있다. 폴리머의 경우, PC1의 상대빈도는 0.70~1.00, PC2는 0.35~0.65, PC3는 0.00~0.30이다. PC1은 18개의 지각성질들, artificial, smooth, humorous, clumsy, bright등으로 이루어져 있고, PC2는 28개(14개 쌍)의 지각성질들, (firm, loose), (warm, cold), (energetic, lethargic), (appealing, repulsive), (calm, upset) 등으로 구성되며, PC3는 18개의 지각성질들, natural, rough, serious, elegant, dark등으로 이루어져 있다. 우드의 경우, WC1의 상대빈도는 0.78~0.87, WC2는 0.30~0.70, WC3는 0.13~0.22이다. WC1은 25개의 지각성질들, plain, gentle, monotonous, boring, bright 등으로 이루어져 있고, WC2는 14개(7개 쌍)의 지각성질들, (rugged, delicate), (masculine, feminine), (rough, smooth), (formal, casual), (lethargic, energetic) 등으로 구성되며, WC3는 25개의 지각성질들, exciting, dark, repulsive, decorated, harsh 등으로 이루어져 있다.

5. 고 찰

모든 지각성질은 대립적이며 상보적인 성질로 구성된다. 대립적인 것을 통하여 전체 안의 부분적인 의미로 지각성질을 명확하게 이해할 수 있으며, 상보적인 것을 통하여 종합적인 의미를 알 수 있다. 우세하며 보편적인 지각성질과 대등한 지각성질을 구분 짓는 상대빈도의 크기인 0.70은 2개의 연구에서 확인되는데, 하나는 설문조사에서 제시된 지각 형용사 쌍에 대한 두 종류의 답변, 즉 각 재료종류의 지각성질에 적합하다고 느끼는 형용사를 선택하는 것과 각 형용사에 지각적으로 가장 적합하다고 느끼는 재료종류를 선택하는 것을 이용한 연구와⁸⁾ 다른 하나는 본 연구의 계층적 군집분석을 통해 확인된다.

상대빈도의 중간 크기 영역에 속한 지각성질들은 4개의 재료종류에 따른 상대빈도 값들의 양상에 따라 분석이 달리 될 수도 있다. 두 가지 경우로 분석될 수 있는데, 첫째로는, Table 1과 Fig. 4에서 보면, 상대빈도 값들이 4개의 재료종류에 따라 중간 크기로 이루어진 것과 보편적-미미한 성질의 값을 보이는 것이 혼합되어 있는 경우이다. 이는 그 형용사 쌍이 서로 다른 재료종류에 대한 지각성질을 확실하게 나타내고 있음을 보여주는 것이다. 그리고 둘째로는, 앞의 경우와는 다르게 어떤 형용사 쌍에 대한 재료종류별 상대빈도 값들이 모두가 중간 크기로 거의 비슷하게 나오는 경우이다. 이는 모두 대등한 지각성질을 나타내는 것일 수도 있지만, 그 형용사 쌍이 재료의 지각성질을 나타내기에 부적합하다고 분석될 수도 있을 것이다. Table 1과 Fig. 4를 보면, gloomy-cheerful의 경우만이 재료종류별로 차이가 없는, 상대빈도 모두가 중간 크기로 거의 비슷하게 나오는 양상을 보인다. Gloomy-cheerful의 경우가 실제로 대등한 지각성질을 나타내는 것인지, 그 형용사 쌍이 지각성질을 나타내기에 부적합한 것인지는 본 연구대상인 4개의 재료종류로는 명확하게 판단하기에 부족하다고 생각한다. 이 내용은 향후 재료종류를 좀 더 다양하게 설계한 연구과제에서 연구될 수 있으리라 생각한다. 이러한 상대빈도 중간 크기의 지각성질들은 서로 큰 차이 없이 서로 대등하게 의지하며, 도와 가기도 하지만, 상황에 따라 대립되는 지각성질 각각으로 다르게 나타날 수도 있는 경우이다. 대립적인 지각성질들은 서로 배타적이기는 하지만 한편으로는 상호 보완적이며, 모순되는 두 관점을 병존시킴으로써 그 성질을 바르게 볼 수 있는 성질을 지니게 된다. 상보적인 특성을 더욱 확실하게 보여주는 영역의 지각성질이다. 이러한 지각성질을 이용하면, 제품디자인에서 다양한 소비자의 요구, 심지어 서로 상반되는 요구도 만족시킬 수 있으리라 생각한다.

Fig. 6에서 C1과 C2에 속한 지각성질들의 개수를 비교해보면, C1에 속한 지각성질, 즉 우세하며 보편적인 지각성질의 개수는 우드, 금속, 폴리머, 세라믹 순으로 많다. C2에 속한 지각성질, 즉 대등한 지각성질의 개수는 C1의 순서와 반대인 세라믹, 폴리머, 금속, 우드 순으로 많다. 또한 C2에 속한 지각성질들의 상대빈도 값의 분포에 따라 군집의 형성이 달라지는데, 상대빈도 0.5 근처에 많이 분포하면 군집이 3개로 형성되며, 0.5에서 멀리 떨어져 분포하면 군집이 4개에서 2개로 형성된다. 본 연구에서는 각 재료종류에 따라 모두 군집이 3개로 형성되므로 C2에 속한 지각성질들의 상대빈도가 0.5 근처에 주로 분포됨을 알 수 있다. 상보적인 특성이 강함을 알 수 있다. 재료의 전반적인 지각은 우드의 경우 우세하며 보편적인 지각성질로 구성되며, 금속은 우세하며 보편적인 지각성질과 대등한 지각성질의 균형으로 이루어진다. 폴리머와 세라믹은 대등한 지각성질로 전반적인 지각이 형성된다. 또한 Fig. 1(b)에서 보면, 폴리머와 세라믹이 가장 먼저 군집을 이루고, 그 다음으로 금속, 마지막으로 우드가 계층적 군집을 이루게 된다. 우드가 가장 큰 차별성을 보인다.

6. 결 론

여러 설문조사로부터 얻은 재료지각에 대한 데이터의 병합에 앞서 데이터의 동질성, 상관성을 통한 신뢰성을 검정하였다. 계층적 군집, 상관계수, k-평균 군집분석을 사용하여 3번의 설문조사에서 각 재료종류별 데이터의 동질성과 상관성을 검정한 결과, 데이터 병합의 가능성이 확인되었다.

설문 참여자의 인원수가 증가한, 즉 병합된 데이터로 재료종류별 재료지각을 분석하였다. 상대빈도를 통해 설문 참여자가 선택한 지각 형용사의 빈도를 분석하였으며, 계층적 군집으로 선택한 빈도에 따른 군집을 분석하여 각 재료종류별로 우세하며 보편적인 지각성질과 대등한 지각성질, 그 외 지각에 미미한 영향을 미치는 지각성질을 구분하여 알아낼 수 있었다. 보편적인 지각성질은 대표적으로 뚜렷한 특성을 나타내며, 대등한 지각성질은 더욱 상보적인 특성을 보여주고 있다. 또한 전체적으로 재료종류에 따른 지각성질의 분포와 계층구조를 비교하여 특성을 분석하였다.

재료종류별 지각성질을 군집별로, 즉 우세하며 보편적인 지각성질과 대등한 지각성질로 분석함으로써, 본 연구의 결과인 재료지각 데이터가 인공지능 로봇의 재료인식 학습과 제품디자인에 있어서 소비자가 바라고, 디자이너가 추구하는 보편적이고 상보적인 제품개성에 적합한 재료종류를 선택하는 데 보다 더 신뢰성 있고 체계적인 데이터로 활용될 수 있기를 기대한다.