感性工程學(Kansei Engineering)

該方法用于識別產品中的相關設計要素(如顏色、大小和形狀等)，這些要素決定偏好。該方法需要識別感性詞語。所使用的方法包括有聲思維梯度法(Tink-Aloud Laddering)、數量化理論I(Quantification TheoryI,QTI)、偏最小二乘法(IpTS.Analysis)及用于估算目的的遺傳算法(Genetic)和模糊邏輯(Fuzzy Logic)。

情感分析(Sentiment Analysis)

該方法用于了解人們在博客或社交網絡中對產品的評論和觀點，并對這些評論進行分類。可以運用自動化技術來識別評論者在產品特性上表達的意見(正面、中性或負面)。該方法運用了基本貝葉斯和深度學習算法。

神經網絡法(Neural Networks)

該方法利用了反向傳播(Back Propagation,BP)技術來建立產品或形狀參數與形容詞、意象詞之間的關系，目的是更改設計參數，直到產品形狀被接受為止。神經網絡法把反向傳播和灰色關聯度分析作為優化算法。

微軟反應卡(Microsoft Reaction Card)

該方法用于評估設計或產品的情感反應和期望(視覺吸引力)。參與者從118張寫有產品詞匯的卡片中選出與該產品或設計相關的卡片，并解釋為什么所選卡片中的詞匯要體現在該產品或設計上，最后得出結論。該方法采用聚類分析、頻度分析和詞匯云處理技術。

突發情緒法(Emergent Emotions)

該方法認為情緒是動態、突發和遞歸的過程。用戶對設計的反應模式是由評估結果所驅動的。情緒反應和對產品特性的期望會受到情緒影響，也會由差異化要求而引發。該方法利用人工智能環境下的神經網絡和非線性動態建模來解釋消費者的情緒過程，日內瓦情緒專家系統(Geneva Expert System on Emotions, GENESE)中描述了該情緒過程。