Advances in data science have allowed us to investigate human emotion and preference responses based on the learning of the image data set. However, to date, studies have been limited to photography, meaning that the practice of graphic design remains unexplored. We conveyed a workshop to exploit graphic elements that are perceptually relevant. By identifying and quantifying the visual elements of poster designs, we defined the machine learning features. We collected emotion and preference responses from participants with regard to pleasure, arousal, dominance, and preference using a Likert scale, and combined them with the features to build a dataset. The responses were carried out twice to form a baseline of accuracy. Applying machine learning methods such as CART, Random Forest, and XGBoost, we developed the models that predict individuals' emotions and preference responses. Human responses were repeated in the range of 62.81–87.50%, and the accuracy of the prediction model achieved between 53.38–83.20% using XGBoost. We discussed the prediction results with the participants and improved the features by adopting their opinions. With the new features, we conducted an additional survey to 15 people. The prediction performance increased by a maximum of 7.22%, depending on personalized models.
This study demonstrates that a machine learning-driven modeling may predict one's emotions and preference based on graphical elements. Overall, the prediction performance was relatively satisfied compared to human repeated responses. Limitations and further investigations are discussed to obtain a more accurate and insightful estimation.
최근 데이터 과학의 발전은 이미지 데이터를 학습하여 사람의 감성 반응을 예측하는 일 또한 가능하게 만들고 있다. 하지만, 현재의 연구는 아직까지 사진 이미지에만 머물러 있으며 이를 실무적 그래픽 디자인에 활용할 수 있는 단계에는 아직 이르지 못하고 있는 실정이다. 이 연구에서는 워크샵을 통해 영화 포스터 디자인의 인지적 그래픽 요소를 탐색하고 이를 머신러닝의 분석요인으로 활용하였다. 감성 예측 머신러닝 모델 개발을 위하여, 디자이너를 대상으로 영화포스터에 대한 즐거움(pleasure), 각성(arousal), 지배(dominance), 선호(preference) 등 4가지 측면에 대한 응답을 3점 리커트 척도 방식으로 2회 반복하여 수집하였다. 그리고, 머신러닝 방법 중 CART, Random Forest, XGBoost를 활용하여, 개인화된 감성 예측 모델을 개발 하였다. 사람의 반복 응답 일치율은 62.81–87.50% 이며, XGBoost 머신러닝 모델의 예측 정확도는 53.38-83.20%로 비교적 사람과 유사한 결과를 나타내었다. 평가 참여자들과 감성 평가에 영향을 미친 주요 요인에 대한 논의 결과를 바탕으로, 모델에 사용되는 분석 요인을 개선하였다. 새롭게 추가된 요인에 대한 검증을 위해, 15명을 대상으로 영화 포스터 선호도에 대한 추가 설문을 실시하였다. 개선된 머신러닝 분석 요인을 활용한 결과, 예측 정확도 상승폭은 최대 7.22% 까지 획득할 수 있었다. 이 연구는 영화 포스터의 그래픽 요소를 머신러닝의 분석요인으로 활용하여 포스터에 대한 감정 및 선호도를 예측 하는 사례를 보여주었다. 결과적으로, 예측 성과는 사람의 반복 응답 일치율과 비교하여 만족스러운 수준을 보여주었다. 마지막으로, 이미지 요소에 대한 통찰을 줄 수 있는 더 높은 정확도의 모델을 구현하기 위해, 이 연구의 한계점을 기반으로 추가 방향성을 논의하였다.
