💬 NLP

Introducing multiplex semantic networks as multifaceted representations of creative associative knowledge across multilingual samples

Este estudio demuestra que las redes semánticas múltiples, construidas a partir de seis tareas cognitivas en una muestra multilingüe diversa, proporcionan una representación más exhaustiva y no redundante del conocimiento asociativo que subyace a la creatividad que los enfoques de una sola tarea, mejorando significamente la predicción de las puntuaciones de creatividad individual mediante el aprendizaje automático.

Autores originales: Edith Haim, Kurt Haim, Roger E. Beaty, Cynthia S. Q. Siew, Massimo Stella

Publicado 2026-06-09

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Edith Haim, Kurt Haim, Roger E. Beaty, Cynthia S. Q. Siew, Massimo Stella

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina tu mente como una biblioteca vasta y bulliciosa. Dentro de esta biblioteca, cada idea, palabra y recuerdo es un libro. La creatividad es la capacidad de caminar por los pasillos y sacar dos libros que parecen completamente inconexos —como un "tenedor" y una "nube"— y darse cuenta de que pueden conectarse de una manera nueva y útil.

Este artículo es como un equipo de bibliotecarios tratando de entender cómo diferentes personas organizan sus bibliotecas mentales. Querían ver si existe un "mapa" específico de cómo las personas creativas organizan sus libros en comparación con las personas menos creativas.

Aquí está la historia de su descubrimiento, desglosada en partes sencillas:

1. El Problema: Un mapa no es suficiente

Normalmente, los investigadores intentan entender tu mente pidiéndote que realices solo una tarea, como enumerar tantas palabras como puedas pensar relacionadas con "escuela". Es como intentar entender una ciudad entera mirando solo una calle. Te pierdes los parques, los puentes y los callejones ocultos.

Los investigadores se preguntaron: ¿Qué pasaría si miráramos seis "calles" diferentes de la mente a la vez?

2. El Experimento: Seis "Juegos Mentales" Diferentes

Reunieron a 518 estudiantes de cuatro países (Austria, EE. UU., Singapur e Italia) y les pidieron que jugaran a seis juegos de palabras diferentes. Piensa en estos juegos como diferentes lentes:

El Juego de Velocidad: Enumerar palabras rápidamente (Fluidez Verbal).
El Juego de la Cadena: Escribir oraciones donde la última palabra de una oración inicia la siguiente (Cadenas de Oraciones).
El Juego de Asociación Libre: Decir las tres primeras palabras que te vengan a la mente al escuchar una palabra clave.
El Juego de la Historia: Escribir un párrafo corto sobre la creatividad en la ciencia.

También le pidieron a un Robot (IA) que jugara estos mismos juegos. El robot recibió una "persona" (por ejemplo, "Eres un estudiante italiano de 20 años") y se le ordenó actuar como un humano.

3. El Gran Descubrimiento: La Biblioteca "Multiplex"

Los investigadores construyeron una Red Multiplex. Imagina un sándwich.

La Capa 1 es el mapa del Juego de Velocidad.
La Capa 2 es el mapa del Juego de la Cadena.
La Capa 3 es el mapa del Juego de la Historia.

En un estudio normal, aplastarían todas estas capas para crear un mapa plano. Pero este equipo las mantuvo como capas separadas apiladas una sobre otra.

Lo que encontraron:

Diferentes capas cuentan diferentes historias. El mapa del "Juego de Velocidad" se veía diferente al del "Juego de la Historia". No estaban simplemente repitiendo la misma información; estaban mostrando diferentes partes de la biblioteca.
Las personas creativas tienen mapas únicos. Cuando compararon al grupo de "Alta Creatividad" con el grupo de "Baja Creatividad", las capas no coincidían. Las bibliotecas mentales de las personas creativas tenían una forma y estructura diferente.
Los robots son aburridos. Los mapas de la IA se veían casi idénticos, independientemente de si fingía ser "creativa" o "poco creativa". La biblioteca del robot era demasiado uniforme. No podía imitar la estructura desordenada, única y distinta de la mente humana.

4. La Predicción: Adivinando la Creatividad con una Calculadora

El equipo luego intentó usar un programa informático (Aprendizaje Automático/Machine Learning) para adivinar qué tan creativa era una persona simplemente mirando sus mapas de biblioteca. Alimentaron a la computadora con 12 pistas, tales como:

¿Qué tan grande es la biblioteca? (Número de palabras utilizadas).
¿Qué tan lejos están los libros? (Distancia promedio entre ideas).
¿Qué tan agrupados están los libros? (¿Se agrupan las ideas estrechamente?).
¿Cómo fluye la "energía"? (Simularon una "activación por propagación", como una chispa saltando de un libro a otro, para ver qué tan rápido y lejos viajaba).

El Resultado:
La computadora mejoró su capacidad de adivinar la creatividad cuando miró las capas combinadas (el sándwich) en lugar de solo una capa.

Las pistas más fuertes: El tamaño de la biblioteca y cómo estaban conectadas las ideas (medidas estructurales).
Las pistas sorpresa: La "activación por propagación" (cómo saltaba la chispa) añadió poder extra a la predicción.
Las pistas emocionales: Curiosamente, las personas que escribieron historias con menos "ira" y más "sorpresa" tendieron a ser calificadas como más creativas.

5. El Secreto "Idiosincrásico"

Uno de los hallazgos más interesantes fue sobre las respuestas "extrañas".

Los tests estándar suelen descartar las respuestas que solo una persona da, llamándolas "ruido" o errores.
Pero este estudio encontró que cuantas más respuestas "extrañas" o únicas daba una persona (que nadie más pensó), más creativa era calificada.
Es como decir que los bibliotecarios más creativos son aquellos que sacan los libros polvorientos y olvidados que nadie más recuerda.

Resumen

Este artículo argumenta que para entender la creatividad, no debemos mirar solo una instantánea del pensamiento de una persona. Necesitamos mirar una película de múltiples capas de cómo conectan las palabras, cuentan historias y saltan entre ideas.

Las mentes creativas son como bibliotecas complejas y de múltiples capas con rutas únicas y conexiones sorprendentes.
Los robots (al menos los probados aquí) construyen bibliotecas que se ven demasiado similares y predecibles, sin importar cómo se les diga que actúen.
El futuro: Al usar estos mapas de múltiples capas, podemos obtener una imagen mucho más clara de cómo funciona la creatividad humana, capturando la forma rica, desordenada y única en que nuestros cerebros conectan el mundo.

Resumen Técnico: Introducción de las Redes Semánticas Multiplex como Representaciones Multifacéticas del Conocimiento Asociativo Creativo

Planteamiento del Problema
La creatividad es una capacidad cognitiva compleja que depende de la organización y recuperación del conocimiento de la memoria semántica. Sin embargo, la investigación actual suele depender de tareas únicas (por ejemplo, fluidez verbal) para medir la creatividad, capturando solo una fracción de la complejidad cognitiva subyacente. No está claro si diferentes tareas cognitivas acceden a componentes distintos de la memoria semántica o si proporcionan información redundante. Además, aunque la ciencia de redes ha modelado la memoria semántica, las redes de capa única no logran capturar las interacciones multidimensionales (asociativas, sintácticas, emocionales) que caracterizan el pensamiento creativo. Existe la necesidad de un marco que integre tipos de datos heterogéneos en una representación unificada para determinar si un enfoque multiplex ofrece un poder predictivo y una visión estructural superior en comparación con los modelos de tarea única.

Metodología
El estudio empleó un marco de red multiplex para analizar datos de 518 individuos de cuatro países (Austria, EE. UU., Singapur, Italia) y un grupo de comparación sintético generado por IA.

Recolección de Datos: Los participantes completaron seis tareas cognitivas distintas alineadas por tema ("escuela" y "ciencia"):
1. Fluidez Verbal (VF): Generación de sustantivos dentro de un límite de tiempo.
2. Cadenas de Oraciones Woseco: Escritura de oraciones consecutivas que vinculan conceptos.
3. Forma Mentis Conductual (BFMN): Asociación libre con calificaciones de valencia emocional.
4. Forma Mentis Textual (TFMN): Escritura de narrativas cortas con análisis de dependencia sintáctica.
5. Woseco-Textual Forma Mentis (WSC-TFM): Aplicación del análisis TFMN al texto completo de las cadenas Woseco.
6. Tarea de Usos Alternativos (AUT): Utilizada como la verdad de terreno (ground truth) para las puntuaciones de creatividad, calificada por dos sistemas de IA (CLAUS y OCSAI).
Construcción de la Red:
- A nivel de grupo: Se construyeron redes semánticas para grupos de alta y baja creatividad (divididos por la mediana de la puntuación AUT) utilizando métodos basados en correlación (similitud de coseno) y Grafos Filtrados Máximamente Triangulados (TMFG) para los datos de fluidez.
- A nivel individual: Las redes TFMN y BFMN se construyeron por participante. Para las tareas VF y Woseco, no se construyeron redes directas a nivel individual; en su lugar, se ejecutaron simulaciones de activación por propagación en las redes de nivel de grupo (estratificadas por fluidez) para extraer características dinámicas para los individuos.
Pipeline de Análisis:
1. Reducibilidad Estructural: Se utilizó la Distancia de Jensen-Shannon (JSD) para cuantificar la similitud estructural entre las capas de las tareas. Las capas se fusionaron iterativamente para identificar configuraciones óptimas que minimizaran la complejidad sin perder información.
2. Aprendizaje Automático (Machine Learning): Un modelo de regresión Ridge con validación cruzada anidada predijo las puntuaciones individuales de AUT utilizando 12 características no redundantes derivadas de la estructura de la red, la valencia emocional y la dinámica de la activación por propagación. Se utilizaron valores SHAP para la interpretabilidad.

Contribuciones Clave

Validación del Marco Multiplex: El estudio demuestra que diferentes tareas cognitivas capturan aspectos distintos y no redundantes de la organización semántica. Los análisis de reducibilidad estructural mostraron que las capas no podían colapsarse completamente sin pérdida de información, lo que respalda la necesidad de un enfoque multiplex sobre los modelos de tarea única.
Diferenciación Estructural Humano vs. IA: Las redes humanas exhibieron diferencias estructurales significativas entre los grupos de alta y baja creatividad, las cuales se preservaron en la estructura multiplex. En contraste, las redes generadas por IA mostraron estructuras casi idénticas independientemente de los niveles de "creatividad" asignados, resaltando la homogeneidad de los resultados de la IA en comparación con la variabilidad de la memoria semántica humana.
Modelado Predictivo: El estudio aplicó con éxito el aprendizaje automático para predecir las puntuaciones de creatividad utilizando características de red. Identificó que las medidas estructurales (por ejemplo, el tamaño de la red, la longitud del camino) eran los predictores más fuertes, mientras que la dinámica de activación por propagación proporcionaba un poder predictivo complementario.
La Idiosincrasia como Característica: El análisis reveló que una mayor proporción de respuestas idiosincrásicas (palabras únicas de un individuo y ausentes de la red del grupo) se correlacionaba positivamente con la creatividad, lo que sugiere que el filtrado de ruido estándar en la construcción de redes puede descartar inadvertidamente señales relevantes para la creatividad.

Resultos

Reducibilidad: Las configuraciones óptimas fusionaron frecuentemente la capa de Forma Mentis Textual (TFM) con las capas de Woseco-Textual (WSC-TFM), indicando una similitud estructural entre las tareas basadas en texto. Sin embargo, otras capas (por ejemplo, VF vs. WSC) permanecieron distintas. Crucialmente, las capas de los humanos con alta y baja creatividad generalmente no pudieron fusionarse, mientras que las capas de la IA sí pudieron fusionarse a través de los grupos de creatividad.
Propiedades de la Red: Las redes humanas fueron más grandes, densas y exhibieron mayor modularidad y coeficientes de agrupamiento (clustering) que las redes de IA. Las redes humanas mostraron estructuras de agrupamiento no aleatorias, a diferencia de las redes de IA que se aproximaron a las expectativas aleatorias.
Desempeño Predictivo: El modelo de aprendizaje automático logró un desempeño predictivo modesto pero significativo ( $R^2 = 0.116$ ) cuando se utilizó la capa combinada TFM+WSC-TFM en comparación con una sola capa TFM ( $R^2 = 0.076$ ).
Importancia de las Características:
- Estructural: Un mayor tamaño de red (vocabulario más diverso) y coeficientes de agrupamiento más bajos en las redes TFM predijeron una mayor creatividad.
- Dinámica: Niveles de activación estacionaria más altos y la activación máxima en las simulaciones de propagación predijeron una mayor creatividad.
- Emocional: Una menor ira y una mayor sorpresa en las redes de texto predijeron una mayor creatividad.
- Idiosincrasia: Se encontró una correlación negativa entre el porcentaje de palabras válidas (compartidas con el grupo) y las puntuaciones de AUT, lo que significa que los individuos más creativos produjeron más respuestas únicas y no compartidas.

Significancia y Reivindicaciones
El artículo sostiene que las redes semánticas multiplex ofrecen una representación más rica y transcultural del conocimiento asociativo que subyace a la creatividad en comparación con los enfoques de tarea única. Al demostrar que diferentes tareas capturan información complementaria, el estudio argumenta a favor de un cambio en la evaluación de la creatividad hacia marcos de múltiples tareas. Los hallazgos sugieren que la cognición creativa emerge de la interacción entre la estructura de la memoria semántica y los procesos dinámicos de recuperación. Los autores enmarcan modestamente los resultados del aprendizaje automático como una "prueba de concepto" con un poder predictivo moderado, señalando que el uso de evaluadores de IA para la verdad de terreno pudo haber limitado la varianza. La principal contribución es metodológica: establecer que un enfoque multiplex preserva firmas cognitivas distintas de la creatividad que se pierden en los modelos agregados o de capa única, y que estas firmas son robustas a través de diversas muestras culturales y lingüísticas.