《JOURNAL OF SENSORY STUDIES》：Integrating Intensity Scaling Into Consumer Free Listing to Describe the Sensory Attributes of Potato Chips
编辑推荐：
本研究旨在引入一种基于消费者的感官评价方法——带标度的自由列表（Free Listing with Scale, FLS），该方法以认知心理学理论为基础，该理论认为分析性加工可增强感官属性的区分能力。研究同时开展了FLS与传统自由列表（Conventional
本研究旨在引入一种基于消费者的感官评价方法——带标度的自由列表（Free Listing with Scale, FLS），该方法以认知心理学理论为基础，该理论认为分析性加工可增强感官属性的区分能力。研究同时开展了FLS与传统自由列表（Conventional Free Listing, CFL）的方法学比较。研究选取6种市售薯片样品，由经过培训的评价小组（n=8）采用描述性分析（Descriptive Analysis, DA）进行评价，并由未经培训的消费者（n=250；每种方法125人）分别采用CFL或FLS进行评价。在FLS中，受试者描述感知到的感官属性并对其强度进行评级（"弱""中等"或"强"）。研究采用文本分析及Smith显著性指数（Smith's Salience Index, SSI）提取和量化感官术语。在所有样品中，FLS识别出14个显著感官属性，且在趋势上与DA一致的属性数量多于CFL（CFL=9；FLS=13）。SSI值及基于SSI的主成分分析（Principal Component Analysis, PCA）表明，两种方法产生的感官构型总体相当；然而，FLS增强了知觉敏感性，能够识别更多的感官属性术语（CFL=8；FLS=10）。基于SSI及1000次bootstrap迭代，达到RV=0.95需要145名（CFL）和135名（FLS）消费者，而达到RV=0.99则需要220名（CFL）和170名（FLS）消费者。这些发现表明，在自由列表中纳入强度标度可改善消费者对感官差异的区分能力，并比基于频次的方法产生更稳定的数据。通过将定性消费者反馈与定量DA结果相衔接，FLS为工业及消费者导向的感官研究提供了一种省时且经济高效的方法。
研究背景与问题
描述性分析（DA）由经过高度培训的评价小组执行，能够以高重现性量化感官属性并区分细微的强度差异（Shariati et al. 2025; ?wi?der and Marczewska 2021）。然而，DA因广泛的评价小组培训而耗时且成本高昂，且其评估属性未必总能反映对消费者最为相关的方面（Frewer and Van Trijp 2006; Rodrigues et al. 2024; Rodríguez-Noriega et al. 2021）。因此，亟需开发针对特定消费者群体的替代性感官评价方法（Shariati et al. 2025; Sipos et al. 2021）。
基于消费者的感官分析方法涉及未经培训的消费者，与DA相比，能够更简单快速地分析影响消费者偏好的感官属性（Meyners et al. 2013; Silva-Paz et al. 2025）。代表性的消费者感官分析方法包括勾选所有适用项（Check-All-That-Apply, CATA）、评定所有适用项（Rate-All-That-Apply, RATA）、快速描述分析（Flash Profile）以及传统自由列表（CFL）。
传统自由列表最初作为社会文化研究中的调查工具而开发，其优势在于能够引发受访者自发且无限制的表述，使其日益适用于包括感官与消费者研究在内的诸多领域（Hough and Ferraris 2010; Vieira et al. 2020）。在食品感官评价中，CFL方法通常让消费者品尝样品后自由描述其感知到的感官属性（Vieira et al. 2020; Yoon et al. 2023）。研究人员随后提取可用作感官描述词的术语，考虑其列出顺序，并分析其提及频次以识别对产品质量和消费者喜好起关键作用的属性（Dos Santos et al. 2015）。由于消费者以自身语言无限制地描述属性，该方法提供了对消费者感知的直接洞察，有助于识别与消费者最为相关的感官特征（Vieira et al. 2020）。
尽管具有上述优势，CFL方法也存在若干局限。由于研究人员必须人工审阅所有回复并提取适当的描述词，该过程劳动密集且耗时，且数据可能因研究人员的主观性而被误读或排除（Kim et al. 2023）。此外，虽然CFL能够定性识别关键感官属性，但无法提供属性强度的定量信息。该方法的一个主要局限在于无法确定属性应被调节至何种最优强度水平。例如，Yoon et al.（2023）和Kim et al.（2023）的研究表明，虽然CFL能有效识别市售即饮咖啡和南瓜粥中的描述词频次，但无法量化属性强度。因此，近期研究已将自由列表与CATA相结合以克服这些局限（Gama et al. 2024）。
本研究引入的方法——带标度的自由列表（FLS）——通过实现定量分析克服了CFL的局限。在样品评价后，消费者不仅自由描述感知到的感官属性，还需将每个属性的强度评定为"弱""中等"或"强"。由于FLS是一种基于消费者的感官评价方法，与DA相比具有减少大量评价小组培训需求及相关成本的优势（Tiepo et al. 2020）。从认知心理学视角看，加工水平理论（levels of processing theory）和双系统理论（dual-process theory）认为，强度评级任务促进更深入和更具分析性的加工，从而增强感官判断的稳定性和准确性（Craik and Lockhart 1972; Evans 2008; Evans 2011; Kahneman 2011）。在这一方面，由于纳入强度评级，FLS比CFL需要更大的认知努力，这反过来有助于改善样品间的区分（Antúnez et al. 2019; Tiepo et al. 2020）。
文本分析通常采用自然语言处理模型实现，在统计学中被广泛应用于处理大规模文本数据集。在感官科学中，文本分析已被应用于分析远程感官评价中收集的在线调查数据，例如用于识别感知的在线消费者评论（Liu et al. 2022）以及通过在线家庭使用测试获得的火腿产品消费者反馈（Mahieu et al. 2022）。当采用基于词典的数据库时，文本分析可跨多种语言应用，并能灵活适应研究人员的特定需求。此外，由于文本分析通过软件执行，可减少潜在的研究人员偏倚并提高分析效率，从而降低数据分析所需的时间和成本。当自由列表与标度（FLS）相结合时，基于词典的文本分析可与转换为三点标度（1=弱，2=中等，3=强）的属性强度评级相结合，从而基于消费者的自由描述和感知强度实现更具定量性的感官评价。
薯片是将土豆切成薄片后油炸或烘烤制成的最广泛消费的零食之一，以其独特的酥脆质地著称（Khayru et al. 2021）。全球范围内，薯片保持着高消费水平，并在零食品类中持续展现出强劲的市场潜力（Katundu et al. 2010; Khayru et al. 2021）。根据Verified Market Research（2025）的数据，全球薯片市场2024年价值约347亿美元，预计到2031年将达到472亿美元，复合年增长率为4.32%。鉴于这一稳定的市场扩张，持续且系统的研发对于改善产品质量和增强日益全球化市场中的竞争力至关重要（Iskandar and Darmawan 2003; Khasanah et al. 2010; Khayru et al. 2021）。
因此，本研究的目的是将CFL和FLS这两种结合文本分析的基于消费者的感官评价方法与DA进行方法学比较，以薯片为测试产品，评价其区分薯片感官属性的能力。
关键技术方法
本研究招募250名20–50岁常规薯片消费者（样本队列来源：韩国某大学公告栏线上及线下招募，经预筛选问卷确认），随机均分为CFL组与FLS组（各125人），另设8人经过培训的评价小组执行DA。消费者分别采用9点喜好标度评估整体喜好、5点标度评估任务难度与枯燥度。CFL组自由描述感知属性，FLS组附加"弱/中等/强"三点强度标度。数据处理采用Cochran's Q检验（CFL）与方差分析（FLS），通过文本分析提取感官术语，计算Smith显著性指数（SSI）及基于SSI的主成分分析（PCA），并以回归向量（RV）系数评估与DA的相似性。稳定性通过1000次bootstrap重采样验证。
研究结果
描述性分析：6种薯片在19项属性上均存在显著差异（p<0.05）。P6在厚度、土豆皮、黄色、油性外观及多数质地属性上强度最高；P3黄色最深、油香最强、含油量最高（39%）；P2咸度最高。PCA显示P3与油相关属性关联，P6与咸鲜及质地属性关联。
消费者整体喜好：CFL与FLS在整体喜好上无显著差异（p>0.05），P1和P4得分显著较高，P3显著较低。FLS评价时间显著长于CFL（33.7分钟 vs. 29.0分钟，p<0.05），但任务难度和枯燥度无显著差异。
CFL与FLS感官属性区分：CFL中11项属性显示样品间显著差异，其中9项与DA重叠，6项趋势与DA一致；FLS中14项属性显示显著差异，13项与DA重叠，8项趋势与DA一致。FLS比CFL识别出更多与DA趋势一致的属性。
显著性与多变量模式：CFL的SSI分析中，黄色、土豆香、咸度、油香和脆度在多数样品中显著性较高；FLS的SSI分析纳入强度分级后，可比较不同强度水平的属性分布。PCA结果显示，CFL（F1=40.94%，F2=25.24%）与FLS均能有效区分样品，但FLS中P3和P6的分离更明显。
方法学比较：以DA为参照，CFL的RV系数为0.896，FLS为0.908，FLS与DA的相似性略高。置信椭圆分析显示，DA、CFL和FLS中P1、P2、P4、P5聚类相近，P3和P6位于独立区域，且FLS中P3与P6的分离优于CFL。
稳定性分析：经1000次bootstrap迭代，达到RV=0.95需CFL组145人、FLS组135人；达到RV=0.99需CFL组220人、FLS组170人。FLS以更少的消费者数量即可达到同等稳定性水平。
讨论总结
研究人员发现，FLS通过要求消费者对感知属性强度进行评级，促进了更深层次的语义加工和更具分析性的认知处理，这与加工水平理论和双系统理论的预测一致。与仅基于提及频次的CFL相比，FLS减少了属性解读的歧义，在PCA和SSI等多变量分析中产生了信息更丰富且更稳定的数据结构。FLS不仅保持了与CFL总体相似的趋势，还增强了评估者的知觉敏感性，使感官属性得以更详细地识别。
从认知心理学角度，强度标度的加入激活了基于系统2的分析性加工而非直觉性系统1反应，从而提高了感官区分的准确性。FLS生成的额外信息并非统计噪声，而是切实提升了区分效率和感官表征的信息量。在工业应用层面，FLS为需要快速可靠感官信息的场景提供了实用工具， especially when trained panels are unavailable。
研究结论：本研究比较了CFL和FLS作为基于消费者的感官评价方法，通过基于文本分析的自由列表结合强度标度实现了对感官感知的半定量评价。在此比较框架内，整合属性频次和强度信息有助于衔接定性消费者感官评价与定量DA。为阐明消费者感官评价方法间的方法学差异，FLS可与快速描述分析和RATA进行比较。与快速描述分析相比，FLS使消费者能够直接评估各属性的强度而非仅进行相对排序；与RATA相比，FLS允许消费者自发生成属性术语而非使用预先定义列表，体现了明确的方法学区别。与经过培训评价小组的DA相比，FLS在减少时间和成本方面显示出潜在优势，表明其可能适用于工业环境中需要快速可靠感官信息的场景。然而，FLS方法也存在局限，例如当消费者对属性强度的差异解读不同时，基于均值的分析可能无法完全捕捉真实的知觉差异。为克服这些局限，有必要超越简单的属性均值比较，采用能够对样品间关系进行全面的多变量解释的方法。对于未来研究，探索FLS中扩展强度标度（如5点标度）的适用性，以及结合最低限度消费者熟悉化环节和机器学习的混合方法，将具有重要价值。此外，将FLS的应用扩展至更多产品类别和文化情境，可进一步验证其普适性并增强其方法学有效性。总体而言，FLS可被视为一种根植于认知心理学的高效消费者感官评价方法，为衔接科学感官分析与真实消费者感知提供了实用替代方案。
