CATA-optimize-to-ideal（CATA-OI）：一种以消费者需求为导向的产品优化方法，与基于喜好/厌恶的CATA方法和理想画像法相区别

《Food Research International》：CATA-optimize-to-ideal (CATA-OI): A consumer-driven product optimization method compared with liking/disliking CATA and ideal profile method

　　•“选择所有适用项——优化至理想状态”（CATA-OI）作为一种新的消费者感官特性分析方法被引入。•研究表明，CATA-OI、理想轮廓法（IPM）在配置相似性方面存在一致性，且在衡量消费者喜好度上表现相近。•由于基于消费者的评价标准，CATA-OI在预测消费者喜好度方面优于IPM。•CATA-OI还为产品优化提供了具体的“添加/删除”任务指引。

引言
一旦产品进入市场，其成功与否取决于消费者的重复选择。因此，食品行业越来越注重设计能够满足消费者期望的感官特性，以消费者为导向的产品开发已成为行业主流趋势（Delarue & Lawlor, 2022）。在产品开发过程中，有多种分析方法可用于评估感官特性。传统感官分析侧重于描述产品的现状，而现代以消费者为基础的研究则更关注产品的未来状态——即确定如何改进产品才能更好地满足消费者需求（Varela & Ares, 2014）。

传统的分析方法，如外部偏好映射法（MacFie & Hedderley, 1993; van Kleef et al., 2006），通过将产品的感官特性与消费者接受度数据相匹配，长期以来一直被用作识别影响消费者喜好因素及指导产品开发的常用方法。近年来，快速型以消费者为基础的感官评价方法逐渐受到重视，这类方法能够提供实用的洞察，比如识别出影响消费者喜好或厌恶的因素、产品的整体接受度以及改进方向。其中，理想轮廓法（IPM）、选择所有适用项法（CATA）以及理想CATA都是广为认可的工具（Ares et al., 2014; Dooley et al., 2010; Meyners et al., 2013; Worch et al., 2013）。

IPM方法始于20世纪70年代，要求消费者对预定义的感官属性的实际感知强度和理想强度进行评分（Moskowitz et al., 1977; van Trijp et al., 2007; Worch et al., 2013）。通过比较这些评分值，可以为产品优化提供定量指导。尽管IPM能提供详细的定量分析，但由于其对未经训练的消费者来说存在较高的认知负担——尤其是在需要他们对冗长或复杂的属性列表进行实际感知强度和理想强度评分时——这一缺陷已被广泛指出（Ruark et al., 2016; Worch et al., 2013）。

CATA方法则允许消费者从预定义的列表中选出他们所感知到的所有感官属性（Ares et al., 2017; Ares & Jaeger, 2023; Dooley et al., 2010），这降低了认知负荷，使得感官分析比那些依赖评分量表的传统定量方法更易于操作。其变体“喜好/厌恶CATA”则要求消费者选出导致他们喜欢或不喜欢某产品的属性（Choi et al., 2015），从而帮助了解哪些属性是推动消费者接受或拒绝产品的关键因素（Antille et al., 2024）。理想CATA则是作为IPM的简化替代方案而开发的，它用二元属性选择取代了连续的强度量表（Ares et al., 2014; Meyners et al., 2013）。在理想CATA中，消费者会使用CATA列表评估每个测试产品的感官特性，并分别指出他们认为该产品类别应具备的理想属性，从而能够获取整体层面和细分市场层面的理想轮廓。

尽管具有上述优势，但基于CATA的方法在产品优化方面仍存在一个根本性的结构局限。CATA的响应格式为二元且非层级结构，这意味着单一的选项选择无法区分某个属性是被视为理想的、仅是存在的，还是过量的。虽然有人尝试通过在同一列表中加入双向选项（如“不够甜”和“太甜”）来体现方向性，但这种方法仍无法完全消除这种模糊性（Ares et al., 2017）。此外，像理想CATA这样的方法中的优化建议并非直接来自消费者，而是需要通过额外的事后统计分析，如惩罚分析，才能推断出测试产品与理想状态之间的差距。

本研究提出的CATA-优化至理想状态（CATA-OI）是一种新开发的方法，旨在解决现有方法的局限性。CATA-OI将基于CATA的属性分析、愉悦度评价以及理想产品评估整合到一次消费者评价过程中，让消费者能够直观地判断每个产品与他们理想标准的契合程度。该方法主要包括三个步骤：
1. 消费者确定该产品类别中理想产品的核心属性以及不希望出现的属性。
2. 在品鉴过程中，消费者使用CATA列表选出他们所感知到的属性，并在9点李克特量表上评估这些属性与他们理想标准的匹配程度。
3. 如果样品未能完全符合理想标准，消费者则需要指出哪些属性应该添加或增强，哪些应该减少或删除。

这三个步骤都在同一次评价过程中完成。这种方法能够生成针对特定样品的理想轮廓，并为产品改良提供实用指导。通过将方向性的优化建议直接融入评价任务本身，CATA-OI克服了二元CATA响应格式所带来的解释模糊性问题。消费者可以直接将每个相关属性归入两个明确的定向类别之一——添加/增强或删除/减少——从而获得具体且可直接用于产品优化的、以消费者需求为依据的指导建议。

本研究的主要目的是以四种豆酱样品为案例，评估CATA-OI方法的适用性和实用性。豆酱是一种典型的韩国传统发酵酱料，由大豆发酵而成。它在发酵过程中会形成独特的鲜美、坚果味以及浓郁的风味（Shin & Jeong, 2015）。为了便于进行方法比较，本研究还分析了CATA-OI相较于其他基准方法——IPM和喜好/厌恶CATA——是否能够提供更具实用价值的洞察。具体而言，本研究解决了以下四个研究问题：
RQ1：何种感官特性构成了消费者心目中的“理想”豆酱？现有产品需要做哪些具体改进才能缩小其与理想状态的差距？
RQ2：与基准方法相比，CATA-OI能否提供更具体、针对特定样品的改进方向（例如直接的“添加/删除”任务）？
RQ3：与传统CATA任务相比，CATA-OI的结构化设计是否能激发消费者更积极的参与度，并收集到更多感官信息？
RQ4：CATA-OI生成的感官特征图与IPM和喜好/厌恶CATA的配置有何相似之处？

基于上述研究问题，本研究提出了三个具体假设。H1：根据RV系数和主成分分析的结果，假设CATA-OI在感官特性配置方面与IPM和喜好/厌恶CATA具有高度的结构相似性（对应RQ4）；H2：预计CATA-OI的添加/删除任务能提供比喜好/厌恶CATA更具体、针对特定样品的改进方向（对应RQ2）；H3：预计CATA-OI的多步骤结构能提升消费者的参与度，表现为更多的属性选择以及更能区分关键属性，优于喜好/厌恶CATA（对应RQ3）。综上，这些假设旨在验证CATA-OI是否是一种实用的混合方法，能够在无需额外差距分析的情况下为产品优化提供可行的指导（对应RQ1）。之所以选择豆酱作为应用CATA-OI的案例产品，是因为它具有复杂的风味维度以及丰富的产品多样性，涵盖了从标准化商业产品到传统品种等多种类型。虽然关于豆酱的功能性健康益处及其基本感官特性已有较多研究记载（Kim, 2017; Nam et al., 2015），但目前对于不同生产方式与消费者理想标准的对应关系仍缺乏系统的研究。这一类别的复杂性为评估CATA-OI是否能在多样化的感官特征范围内有效生成实用的优化策略提供了良好的研究基础（对应RQ1和RQ2）。

样本选取
为全面涵盖不同的感官特性，并有效检验本研究的理论目标，本研究选择了四种市售豆酱样品，这些样品因具有独特的感官特性和不同的生产方法而被选中。样品的选择是基于对2024年韩国市场上14种豆酱产品的初步描述性分析结果。根据分析结果，这些产品被分为四组，每组各选出一个具有代表性的样品。

消费者对理想豆酱的定义 [RQ1]
在三个实验组中，消费者对于理想豆酱的感官特性都形成了高度一致的看法。最常被提及的核心属性包括鲜味（93%）、整体鲜美风味（gu-su，90%）、咸味气味/风味（88%）、浓郁感（整体感受，86%）、陈年风味气味/风味（80%）、麦芽气味（76%）、大豆颗粒质感（69%）以及顺滑质感（69%）。不同组别之间对于理想豆酱特征的认知具有高度一致性，仅在质地方面存在细微差异。

讨论
本研究通过将新开发的基于消费者的感官分析方法CATA-OI与两种现有的方法——喜好/厌恶CATA和IPM——进行比较，並以四种具有不同感官特性的市售豆酱样品为研究对象，以此评估CATA-OI的适用性和实用性。本研究解决了四个研究问题：（1）何种感官特性构成了消费者心目中的“理想”豆酱？当产品特性与理想标准存在偏差时，该如何弥补这一差距？（2）与现有方法相比，CATA-OI能否提供更具体、针对特定样品的改进指导……

结论
本研究通过将CATA-OI与喜好/厌恶CATA以及IPM进行比较分析，以四种具有不同感官特性的市售豆酱样品为研究对象，对该方法进行了介绍和评估。在三种方法中，消费者对于理想豆酱的感官特性都表现出高度共识：鲜味、整体鲜美风味、咸味气味/风味、浓郁感以及陈年风味气味/风味均被一致认为是核心重要特性，而粗糙质感、金属味以及氨味则未被视为重要特征。

人类研究相关说明
本研究是在遵守相关法律法规及研究所在相关规范要求的前提下进行的。本研究已获得惠化女子大学伦理审查委员会的批准（批准编号：ewha-202,401-0021-02和ewha-202,412-0006-01）。

科学写作中生成式人工智能的使用声明
在撰写本研究报告时，作者使用了Gemini和Claude工具来纠正语法错误并提升文本可读性。在使用这些工具后，作者对内容进行了必要的审核和修改，并对最终发表的内容负全责。

作者贡献说明
Jisu Park：撰写——初稿、软件应用、方法设计、数据收集、正式分析、数据整理。
Jae-young Han：监督、方法设计、数据收集。
Seo-Jin Chung：撰写——审稿与编辑、撰写——初稿、监督、资源协调、项目管理、方法设计、资金筹集、概念构思。
Sara R. Jaeger：撰写——审稿与编辑、结果验证。
Eunkyoung Yoon：资源协调、项目管理、资金筹集。
Sohyun Kim：资源协调。

知情同意与受试者信息
所有参与者或其法定代理人均已签署书面知情同意书，同意参与本研究并允许相关文章发表。同时，也充分尊重了参与者的隐私权。

伦理声明
作者声明自己不存在任何可能影响本研究结果的已知利益冲突或个人关系。

未引用参考文献
Adams, Williams, Lancaster and Foley, 2007
Ares, Deliza, Barreiro, Giménez and Gámbaro, 2010
Ares and Jaeger, 2013
Fiorentini, Kinchla and Nolden, 2020
Frediansyah, 2024
Henrique, Deliza and Rosenthal, 2015
Jo, Lee and Kim, 2023
Kim, Heo and Kwak, 2023
Popper, 2014

利益冲突声明
作者声明自己不存在任何可能影响本研究结果的已知利益冲突或个人关系。

致谢
我们衷心感谢审稿人提出的宝贵意见，这些意见有助于提升 manuscript 的质量。本研究得到了韩国Daesang有限公司的资助。

Jisu Park|Jae-young Han|Seo-Jin Chung|Sara R. Jaeger|Eunkyoung Yoon|Sohyun Kim|Woobong Lee|Yangsoo Byeon