情緒與意圖

1

筆刷動態承載著什麼？

一筆畫下去，不只是「這裡有一條線」。那條線的粗細變化、轉折的弧度、飛白的斷裂感……都在訴說畫者當下的狀態。像是書法裡的「意在筆先」——你的意圖會透過手的動態，轉譯成筆觸的物理特徵。

在 InkField 的筆刷物理模型中，每筆的動態數據（速度、加速度、粗細變化）都可以被記錄與分析。這一章探討如何從這些數據讀出創作者的情緒與意圖。

2

實驗 1：猶豫偵測 — 誰畫得比較猶豫？

兩份錄製檔各有 4 條垂直筆觸。僅從 JSON 數據（時間戳 + 座標），能否判斷哪位畫者比較猶豫？

錄製 A 13-32-43

速度熱圖

1.9s

總時長

4↓

方向

1.084

平均彎曲度

23

減速次數

錄製 B 13-32-35

速度熱圖

1.7s

總時長

2↓ 2↑

方向

1.050

平均彎曲度

21

減速次數

慢速中速快速線條粗細 = 速度

逐筆速度剖面對比

	錄製 A（猶豫）			錄製 B（果斷）
筆	起手	中段	收尾	起手	中段	收尾
1	0.76	1.81	0.19	2.62	1.39	0.48
2	1.28	1.32	0.25	0.66	1.32	0.54
3	1.30	1.10	1.73	1.09	1.43	0.32
4	1.26	0.81	0.54	1.41	0.86	0.28

速度單位：px/ms（像素/毫秒）。橫條長度 ∝ 速度。

結論：錄製 A 畫的人比較猶豫。三個關鍵證據：

1. 起手速度慢。A 的第一筆起手只有 0.76 px/ms，而 B 的第一筆起手達 2.62 — 差距 3.4 倍。猶豫的人在落筆瞬間缺乏決心，需要「暖身」才加速。

2. 路徑更彎（彎曲度 1.084 vs 1.050）。彎曲度越高代表筆觸越偏離直線。A 畫者的手在移動過程中持續微調方向 — 這是不確定路徑時的特徵。B 的 Stroke 2 和 4 彎曲度僅 1.03，幾乎是直線。

3. 方向選擇的線索。B 有兩筆是「由下往上」畫的，這種反慣性的方向選擇反而代表自信 — 畫者很清楚自己要去哪裡，不需要依賴重力慣性。A 的四筆全部由上往下，是最保守的選擇。

方法論啟示：判斷「猶豫」不能只看一個指標。起手速度、彎曲度、減速次數、方向選擇需要綜合判讀。單一指標容易被反例推翻 — 例如 B 的 Stroke 2 起手很慢（0.66），但它是唯一由下往上的筆觸，「慢」反而是刻意的控制。

3

實驗 2：加速度分析 — 一筆裡的故事

一筆持續 6 秒的單一筆觸，從左上角墨團到右下角甩尾。透過速度和加速度，還原畫者的意圖。

路徑速度熱圖

藍=慢 → 紅=快

速度時間線

速度慢速區快速區

6.0s

總時長

1915px

路徑長度

2.51

彎曲度

48%

慢速佔比

14.1

最大速度

加速度時間線

加速 ↑ 減速 ↓ 零線以上 = 加速，以下 = 減速

五階段分析

階段	時間	持續	速度	行為描述
1. 起筆描圓	0 – 0.9s	0.9s	0.06 – 0.15	在起點附近緩慢移動，畫出墨團上半弧。手腕帶動筆桿做小幅度旋轉。
2. 第一次爆發	0.9 – 1.2s	0.3s	峰值 0.96	突然加速衝出弧線 — 墨團下半部的快速劃過。加速度達 0.012 px/ms²。
3. 長停頓	1.2 – 2.0s	0.8s	≈ 0	幾乎完全靜止 400ms。這是決策點 — 畫者在猶豫下一步往哪走。
4. 走走停停	2.0 – 5.4s	3.4s	0 – 0.9 交替	5 次停頓 + 8 次爆發交替。在左上區域反覆打圈，形成密集墨跡。佔全程 56% 時間。
5. 最終甩尾	5.4 – 6.0s	0.6s	峰值 14.1	果斷往右下角甩出，速度是慢速區的 40 倍。筆觸因高速而變細。

時間分配

加速度分佈直方圖

這筆畫揭示了「思考→執行」的節奏。

左上角的墨團不是「一團亂畫」— 它是 3.4 秒的走走停停，畫者在用身體思考構圖。每次短暫的爆發（0.5-0.9 px/ms）是嘗試性的探索，每次停頓是重新評估。

最關鍵的轉折在 5.4 秒：畫者突然做出決定，以 14.1 px/ms 的峰值速度甩向右下角。這不是猶豫 — 這是蓄勢後的釋放。前面 90% 的時間都在積累這最後 10% 的果斷。

4

方法論：從 JSON 讀取繪畫意圖

可量化的指標

指標	計算方式	代表意義
瞬時速度	相鄰兩點距離 ÷ 時間差	畫者當下的果斷程度
加速度	相鄰速度差 ÷ 時間差	意圖的變化率 — 突然加速 = 做出決定
彎曲度	總路徑 ÷ 直線距離	= 1.0 表示完全直線，越高越迂迴
方向反轉	相鄰向量內積 < 0 的次數	猶豫或刻意的方向改變
速度剖面	筆觸分三段的平均速度	起手慢 = 猶豫，收尾慢 = 控制
慢速區	速度 < 0.1 px/ms 持續 > 150ms 的區間（5-point smoothing）	停頓思考的位置與頻率

核心洞察：速度是情緒的量化投射。

同一個人在不同心理狀態下，筆觸速度分佈完全不同。猶豫時起手慢、路徑彎；自信時起手快、路徑直。而在同一筆畫中，速度的「斷層」（突然從慢到快）往往標記著一個決策瞬間 — 從思考切換到行動的臨界點。

5

實驗 3：同一動作的五種情緒

新增於 2026-03-11 — 資料來源：drawing-recording-2026-03-11T03-49-49.json

一個人用相同的筆刷設定（bm=1, us=0, bs=2, pr=0），畫了五條水平橫線。參數完全一樣，差異全部來自手的速度和暫停。同一個動作，五種情緒。

速度熱力圖

紅 = 快、黃 = 中、綠/藍 = 慢、黑點 = 起筆位置（與 Ch2、Ch3 相同的視覺化方式）

速度時間線

橫軸 = 時間進程（含五次筆觸及間隔），黃色帶 = 暫停區間

五條橫線的速度指紋

▁ 近停 ▂ 極慢 ▃ 慢 ▄ 中 ▅ 快 ▆ 很快 █ 爆發 — 每格 = 筆觸 10% 進程

筆觸	速度指紋	時長	暫停	速度方差	慢速佔比
S0	▁▃▁▁▁▁▁▁▂▁	2.8s	3 次	0.22	69%
S1	▃▂▁▁▁▁▁▁▁▁	2.1s	2 次	0.64	66%
S2	▁▁▃▁▁▁▃▁▁▂	4.2s	6 次	0.11	65%
S3	▃▁▁▁▁▁▁▂▂▁	3.0s	3 次	0.32	75%
S4	▁▃▁▁▁▁▁▁▁▁	2.3s	2 次	1.68	58%

Reproducibility

項目	數值
資料來源	drawing-recording-2026-03-11T03-49-49.json
分析腳本	extract-speed-data.py
Smoothing window	5-point (W=2)
Pause threshold	speed < 0.1 px/ms 且持續 > 150ms
慢速定義	speed < 0.1 px/ms

執行 python extract-speed-data.py <json> 可重現上方表格數值。JS 視覺化 (computeSpeeds) 使用相同參數。

逐筆解讀

S0：兩段式衝刺 — 「先做再想」

起筆中速（0.42），前 20% 加速到 2.7 px/ms，然後中段急降，50% 處暫停 201ms。70-80% 位置再次爆發（+0.75 加速度）。速度剖面：start=0.42 → mid=0.07 → end=0.27。

中段的飛白不是速度甩開的，是暫停造成的。情緒弧線：衝出去 → 停下來評估 → 決定繼續。

S1：一鼓作氣後的疲竭

起筆最猛（1.01），7-8% 處爆發到 6.6 px/ms，加速度 +2.59 — 五條中最強的開頭。然後急速衰減，後 60% 幾乎靜止，末尾 400ms 長停頓。速度剖面：start=1.01 → mid=0.06 → end=0.02。

左端的濃墨團不是壓得重停留久，是速度爆發後的慣性堆積。前 20% 用完了所有動能，方差 0.64 反映極端的不均勻。像是鼓起勇氣說出第一句話，然後沒力了。

S2：呼吸般的韻律 — 有意識的節制

五條裡最長（4.2 秒），暫停最多（6 次），但方差最低（0.11）。速度像波浪：▁▁▃▁▁▁▃▁▁▂ — 推一下、停、推一下、停。暫停分散在全程多個位置，幾乎均勻覆蓋。

看起來「完整」是因為暫停均勻且短暫。不是恐懼的猶豫，是太極拳的推手 — 推、吸、推、吸。情緒是最平的，但不是「沒有情緒」，而是最有控制的情緒。

S3：兩次決策停頓 — 走走停停的猶豫

起筆快（爆發到 5.4），但 47% 處停了 850ms，54% 處又停了 1017ms — 超過一秒的完全靜止。慢速佔比 75%，五條中最高。然後 76% 處再爆發（+0.59），虎頭蛇尾收場。

中段的碎裂感不是壓力輕，是兩次長停頓把連續性打碎了。第一次 850ms 是猶豫，第二次 1017ms 是重新做決定。跟 S2 的 7 次均勻短停完全不同 — 同樣是「停」，分散停是韻律，集中停是掙扎。

S4：最戲劇化的一筆

方差 1.68 — 是 S2 的 15 倍。13-17% 處有一個極端速度爆發，加速度遠超其他筆。57% 處停了 683ms，然後 62% 再次發力。速度剖面：start=1.12 → mid=0.18 → end=0.24。

兩頭重中間輕的啞鈴結構。17% 的甩鞭是蓄勢後的釋放（類似 Ch3 的「最終甩尾」），57% 的靜止是另一個決策點。這條有最完整的四段敘事：蓄、放、靜、再放。

新指標：速度方差與暫停分佈

Ch4 方法論的擴充

指標	計算方式	代表意義
速度方差	各點速度與均值的離散程度	情緒張力 — 低=平穩，高=戲劇化
暫停分佈	暫停位置在筆觸進程中的散佈模式	均勻散佈=韻律，集中在中段=猶豫決策
速度指紋	筆觸分 10 段的速度等級序列	一眼辨認情緒類型的視覺模式

核心發現：暫停次數不等於暫停類型。

S2 暫停 6 次 → 韻律。S3 暫停 3 次 → 猶豫。差異不在「停了幾次」，在於暫停如何分佈。均勻散佈的暫停像呼吸，集中在中段的暫停像掙扎。單看暫停次數（Ch4 的「慢速區」指標）會誤判 — S2 的 6 次暫停看似比 S3 的 3 次更猶豫，但實際上 S2 是五條中最有控制感的一筆。

方法論意義：同一動作是最好的情緒控制實驗。

這五條橫線的筆刷參數完全相同（bm=1, us=0, bs=2, pr=0），路徑幾乎平行（sinuosity 1.038-1.044），消除了構圖和效果的干擾。所有差異都來自手的動態 — 速度、暫停、加速度。這是研究筆刷情緒最乾淨的實驗設計：固定一切，只讓情緒流動。

6

構圖直覺 — 邊界、對稱與落筆順序

前面幾章聚焦在「一筆畫出什麼情緒」。但在畫第一筆之前，人類已經在做一件更基礎的事：決定哪裡該畫。

面對空白畫布，你不會隨機落筆。你會先「感覺」邊界在哪裡 — 左上角點一下、右下角點一下 — 像是在空間裡打地基。這種直覺式的構圖，比任何三分法規則都更原始。

以下實驗：在 800×800 畫布上，依序在左上、左下、右下、右上、中間各點一筆。五個點，沒有構圖規則，完全靠直覺。

五點構圖錄製 2026-03-11

落筆順序：左上 → 左下 → 右下 → 右上 → 中間

6.1 邊界距離圖

每個點到畫布四邊的距離，揭示了畫者對空間的「感覺」精度。

邊界距離圖

筆觸	質心	左	右	上	下	最近邊
S0 左上	(141, 127)	141	659	127	673	上 127px
S1 左下	(127, 689)	127	673	689	111	下 111px
S2 右下	(705, 690)	705	95	690	110	右 95px
S3 右上	(704, 119)	704	96	119	681	右 96px
S4 中間	(401, 408)	401	399	408	392	下 392px

左側偏內、右側偏外。

左邊兩點到左邊緣約 127-141px，右邊兩點到右邊緣約 95-96px。差距約 35px — 這是右手慣用手的特徵：右手更容易往右邊伸展，自然在右側留較少邊距。

6.2 落筆路徑

五個點的連線順序形成一個特殊的路徑：逆時鐘 U 型 + 對角線收束。

落筆路徑

91°

S0→S1 下行

0°

S1→S2 右行

−90°

S2→S3 上行

136°

S3→S4 對角

先框邊、再定心。

前四筆走了一個完整的逆時鐘 U 型（左上→左下→右下→右上），建立了矩形邊界。第五筆從右上角切入中心 — 136° 對角線，像是「確認中心在哪裡」的最後一擊。這不是數學計算的結果，是身體記憶。

6.3 構圖範式比較

把五個點放到三分法和黃金比例的格線上比較：

構圖格線比較

三分法交點黃金比例交點實際落筆

筆觸	到三分法最近交點	到黃金比例最近交點	判定
S0 左上	188 px	243 px	都不符合
S1 左下	209 px	264 px	都不符合
S2 右下	232 px	287 px	都不符合
S3 右上	226 px	281 px	都不符合
S4 中間	182 px	127 px	接近黃金比例

核心發現：人類不按三分法構圖。

五個點到三分法交點的距離全部超過 180px — 畫布寬度的 23%。人類的空間直覺走的是「四角錨定」策略：先用四角建立矩形領域，再直覺找中心。這比三分法更原始，也更穩定 — 中心點偏差僅 17px（畫布的 2.1%）。

6.4 對稱性與覆蓋率

72%

X 軸覆蓋

71%

Y 軸覆蓋

17px

中心偏差

2.1%

偏差率

107px

左右對稱偏差

86px

上下對稱偏差

上下比左右更對稱。

上下偏差 86px，左右偏差 107px。人類對垂直方向的空間感比水平方向更精準 — 可能因為重力感讓我們對「上下」的距離更敏感。覆蓋率 72%×71% 幾乎是正方形，說明畫者對畫布的比例感相當準確。

6.5 新指標定義

指標	定義	本例數值	意義
邊界距離	質心到畫布四邊的 px 距離	見 §6.1	空間感的精度 — 邊距越均勻，構圖越穩定
覆蓋率	(max−min) / canvas 的 xy 比例	72%×71%	畫者「使用」了多少畫布
中心偏差	幾何中心到真實中心的距離	17px (2.1%)	直覺找中心的精度
路徑角度	相鄰質心的方向角序列	91°→0°→−90°→136°	落筆策略：U型、Z型、隨機…
對稱偏差	鏡像配對的平均距離	LR=107 TB=86	構圖的平衡感

6.6 進階實驗：呼吸空間

五點構圖證明了人類能直覺定位邊界與中心。但真實的畫作不會只有等大的點 — 筆觸有大有小，而且大小之間的比例關係決定了畫面是否舒服。

想像一個房間裡放了大小不同的傢俱。大沙發旁邊放小茶几，你會自動留一個「剛好」的距離 — 不會太擠，也不會太空。這就是筆刷之間的「呼吸空間」。

以下實驗：在 800×800 畫布上，自由畫 7 個大小不同的圓。沒有規則，只憑感覺。

七圓構圖錄製 2026-03-11

落筆順序：S0 左上小圓 → S1 大圓 → S2 右中圓 → S3 左中圓 → S4 右上點 → S5 大圓內小圓 → S6 中上小圓

6.7 面積層級與呼吸比

七個圓自然形成了四個尺寸層級：

呼吸空間圖

層級	筆觸	等效半徑	面積	呼吸比
大	S1 大圓	≈208px	135,673px²	0.5× 被包圍
中	S2、S3	≈62px	≈12,080px²	2.0×、5.1×
小	S0、S5	≈31-34px	≈3,000-3,600px²	6.3×、2.9×
微	S4、S6	≈10-21px	≈300-1,400px²	12.2×、9.3×

呼吸比 = 最近鄰距離 ÷ 自身半徑。

圓越小，呼吸比越大 — S4（微點）的呼吸比高達 12.2，意味著它周圍的空白是自身大小的 12 倍。大圓 S1 的呼吸比只有 0.5，因為 S5 直接畫在它裡面。這不是巧合：小的東西需要更多留白才不會窒息，大的東西可以容納其他元素。

6.8 包含關係與落筆策略

落筆路徑與面積

26%

畫布面積佔比

4.2×

大圓 / 小圓總和

4.7×

畫布 / 大圓

落筆順序揭示了「感覺空間」的過程：

S0 — 試探：先畫一個小圓（面積排名 5/7），在左上角試探畫布
S1 — 主體：緊接著畫最大的圓（排名 1/7），佔據畫布 21%，建立視覺重心
S2、S3 — 平衡：兩個中等圓（面積幾乎相等：12,080 vs 12,084px²），分別放在大圓的右上方和左方
S4 — 點綴：最小的點（排名 7/7），放在 S2 旁邊作為衛星
S5 — 內部呼應：在大圓內部畫一個小圓，建立包含關係
S6 — 填補：最後在上方空白區補一個小圓，平衡畫面上半部

核心發現：人類先定主體，再用衛星平衡。

第二筆就畫了最大的圓 — 不是從小到大漸進，而是先用一個「試探」小筆確認手感，立刻投入主體。之後所有筆觸都在回應這個主體：中圓做平衡、小圓做點綴、內部小圓做呼應。兩個中圓的面積差異僅 4px²（0.03%），說明人類對「等量平衡」的直覺精度極高。

6.9 面積比例與黃金關係

相鄰層級之間的面積比：

比較	面積比	半徑比	接近
大 / 中	11.2×	3.4×	≈ φ⁵ (11.09)
中 / 小	3.3-3.9×	1.8-2.0×	≈ φ² (2.62)
小 / 微	2.2-9.9×	1.5-3.1×	混合
大圓 / 其餘總和	4.2×	—	≈ φ³ (4.24)

不是精確的黃金比例，但踩在黃金比例的冪次上。

大圓與其餘六圓面積總和的比值是 4.16 — 而 φ³ = 4.236，誤差僅 1.8%。大圓與中圓的面積比 11.2 ≈ φ⁵ (11.09)，誤差 1%。這暗示人類的面積直覺不是線性的「大一倍、小一倍」，而是以某種指數級距在運作 — 黃金比例的冪次可能就是那個內建的比例尺。

7

工具：速度與構圖分析腳本

以下 Python 腳本可從 InkField JSON 錄製檔中提取筆觸座標、計算速度統計與構圖分析，並輸出可嵌入本頁的 JavaScript 資料。其他 AI agent 可以使用這些工具來分析新的錄製檔。

下載腳本： extract-speed-data.py ｜ extract-composition-data.py

下載資料： Ch5 五條橫線 JSON ｜ Ch6 五點構圖 JSON ｜ Ch6 七圓構圖 JSON

使用方式

# 基本用法：提取筆觸並產生 JS 資料
python extract-speed-data.py recording.json

# 指定變數名稱
python extract-speed-data.py recording.json DATA_MY_STROKES

# 輸出範例：
# S0: 166 pts | 2.8s | pauses=3 | var=0.22 | slow=69% | ▁▃▁▁▁▁▁▁▂▁
# S1: 126 pts | 2.1s | pauses=2 | var=0.64 | slow=66% | ▃▂▁▁▁▁▁▁▁▁
# ...
# === JavaScript data (DATA_XXX) ===
# const DATA_XXX=[...];

嵌入 emotion-intention.html 的步驟（給 AI Agent）

執行腳本取得 const DATA_XXX=[...]; 輸出
在本頁 <script> 區塊中加入資料（放在 DATA_FLOWER 之後）
在新章節的 HTML 中加入 <canvas> 元素
在 renderAll() 中加入 drawPathHeat('canvasId', DATA_XXX, w, h) 和 drawSpeedTimeline('canvasId', DATA_XXX, w, h)

可用的視覺化函式

函式	用途	參數
`drawPathHeat(canvasId, strokes, w, h)`	路徑速度熱力圖	紅=快綠/藍=慢
`drawSpeedTimeline(canvasId, strokes, w, h)`	速度時間線	黃色帶=暫停區間
`drawAccelChart(canvasId, strokes, w, h)`	加速度柱狀圖	紅=加速藍=減速
`computeSpeeds(pts)`	計算平滑速度陣列	回傳 [{speed, t}]
`drawBoundaryMap(canvasId, comp)`	邊界距離圖	質心到四邊的虛線
`drawOrderPath(canvasId, comp)`	落筆路徑圖	漸變色箭頭+角度
`drawCompGrid(canvasId, comp)`	構圖格線比較	三分法+黃金比例+實際點

目錄

筆刷動態承載著什麼？

實驗 1：猶豫偵測 — 誰畫得比較猶豫？

實驗 2：加速度分析 — 一筆裡的故事

方法論：從 JSON 讀取繪畫意圖

實驗 3：同一動作的五種情緒

速度熱力圖

速度時間線

逐筆解讀

新指標：速度方差與暫停分佈

構圖直覺 — 邊界、對稱與落筆順序

6.1 邊界距離圖

6.2 落筆路徑

6.3 構圖範式比較

6.4 對稱性與覆蓋率

6.5 新指標定義

6.6 進階實驗：呼吸空間

6.7 面積層級與呼吸比

6.8 包含關係與落筆策略

6.9 面積比例與黃金關係

工具：速度與構圖分析腳本