💬 NLP

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

Questo studio dimostra che le reti semantiche multiplex, costruite a partire da sei compiti cognitivi attraverso un campione multilingue diversificato, forniscono una rappresentazione più completa e non ridondante della conoscenza associativa alla base della creatività rispetto agli approcci basati su un singolo compito, migliorando significativamente la predizione dei punteggi di creatività individuali attraverso l'apprendimento automatico.

Autori originali: Edith Haim, Kurt Haim, Roger E. Beaty, Cynthia S. Q. Siew, Massimo Stella

Pubblicato 2026-06-09

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Edith Haim, Kurt Haim, Roger E. Beaty, Cynthia S. Q. Siew, Massimo Stella

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina la tua mente come una vasta e frenetica biblioteca. All'interno di questa biblioteca, ogni idea, parola e memoria è un libro. La creatività è la capacità di camminare tra i corridoi e tirare fuori due libri che sembrano completamente slegati tra loro — come una "forchetta" e una "nuvola" — e rendersi conto che possono essere collegati in un modo nuovo e utile.

Questo articolo è come un team di bibliotecari che cerca di capire come le diverse persone organizzano le loro biblioteche mentali. Volevano vedere se esiste una "mappa" specifica del modo in cui le persone creative organizzano i loro libri rispetto a quelle meno creative.

Ecco la storia della loro scoperta, suddivisa in parti semplici:

1. Il Problema: Una sola mappa non basta

Di solito, i ricercatori cercano di capire la tua mente chiedendoti di svolgere un singolo compito, come elencare quante più parole riesci a pensare legate a "scuola". È come cercare di capire un'intera città guardando solo una strada. Ti perdi i parchi, i ponti e i vicoli nascosti.

I ricercatori si sono chiesti: E se guardassimo sei diverse "strade" della mente contemporaneamente?

2. L'Esperimento: Sei diversi "giochi mentali"

Hanno raccolto 518 studenti da quattro paesi (Austria, USA, Singapore e Italia) e hanno chiesto loro di giocare a sei diversi giochi di parole. Immagina questi giochi come diverse lenti:

Il Gioco del Flash: Elenca parole velocemente (Fluidità Verbale).
Il Gioco della Catena: Scrivi frasi in cui l'ultima parola di una frase è l'inizio della successiva (Catene di Frasi).
Il Gioco dell'Associazione Libera: Di' le prime tre parole che ti vengono in mente quando senti un input.
Il Gioco della Storia: Scrivi un breve paragrafo sulla creatività nella scienza.

Hanno anche chiesto a un Robot (IA) di giocare agli stessi giochi. Al robot è stata data una "persona" (ad esempio, "Sei uno studente ventenne italiano") e gli è stato ordinato di comportarsi come un essere umano.

3. La Grande Scoperta: La Biblioteca "Multiplex"

I ricercatori hanno costruito una Rete Multiplex. Immagina un sandwich.

Lo Strato 1 è la mappa derivata dal Gioco del Flash.
Lo Strato 2 è la mappa derivata dal Gioco della Catena.
Lo Strato 3 è la mappa derivata dal Gioco della Storia.

In uno studio normale, schiaccerebbero tutti questi strati in una singola mappa piatta. Ma questo team li ha mantenuti come strati separati, sovrapposti l'uno all'altro.

Ciò che hanno scoperto:

Diversi strati raccontano storie diverse. La mappa del "Gioco del Flash" era diversa dalla mappa del "Gioco della Storia". Non stavano solo ripetendo la stessa informazione; stavano mostrando parti diverse della biblioteca.
Le persone creative hanno mappe uniche. Quando hanno confrontato il gruppo "Alta Creatività" con quello "Bassa Creatività", gli strati non coincidevano. Le biblioteche mentali delle persone creative avevano una forma e una struttura differenti.
I robot sono noiosi. Le mappe del robot IA apparivano quasi identiche, sia che stesse fingendo di essere "creativo" sia che fosse "poco creativo". La biblioteca del robot era troppo uniforme. Non riusciva a imitare la struttura disordinata, unica e distinta di una mente umana.

4. La Predizione: Indovinare la creatività con una calcolatrice

Il team ha poi provato a usare un programma informatico (Machine Learning) per indovinare quanto fosse creativo una persona guardando semplicemente le sue mappe della biblioteca. Hanno fornito al computer 12 indizi, come:

Quanto è grande la biblioteca? (Numero di parole utilizzate).
Quanto sono distanti i libri? (Distanza media tra le idee).
Quanto sono raggruppati i libri? (Le idee formano gruppi stretti?).
Come scorre l'"energia"? (Hanno simulato un "flusso di attivazione", come una scintilla che salta da un libro all'altro, per vedere quanto velocemente e lontano viaggiava).

Il Risultato:
Il computer diventava più bravo a indovinare la creatività quando guardava gli strati combinati (il sandwich) piuttosto che un singolo strato.

Gli indizi più forti: La dimensione della biblioteca e come le idee erano collegate (misure strutturali).
Gli indizi sorprendenti: L' "attivazione per diffusione" (come saltava la scintilla) aggiungeva ulteriore potenza alla predizione.
Gli indizi emotivi: Interessante notare che le persone che scrivevano storie con meno "rabbia" e più "sorpresa" tendevano ad essere valutate come più creative.

5. Il Segreto "Idiosyncratic" (Individuale/Unico)

Uno dei risultati più interessanti riguardava le risposte "strane".

I test standard solitamente scartano le risposte che solo una persona dà, chiamandole "rumore" o errori.
Ma questo studio ha scoperto che più risposte "strane" o uniche dava una persona (che nessun altro aveva pensato), più veniva valutata come creativa.
È come dire che i bibliotecari più creativi sono quelli che tirano fuori i libri polverosi e dimenticati che nessun altro ricorda.

Riassunto

Questo articolo sostiene che per capire la creatività non dobbiamo guardare solo un'istantanea del pensiero di una persona. Dobbiamo guardare un film multi-livello di come collegano le parole, raccontano storie e saltano tra le idee.

Le menti creative sono come biblioteche complesse e multistrato, con percorsi unici e connessioni sorprendenti.
I Robot (almeno quelli testati qui) costruiscono biblioteie che sembrano troppo simili e prevedibili, indipendentamente da come gli viene ordinato di comportarsi.
Il futuro: Utilizzando queste mappe multistrato, possiamo ottenere un quadro molto più chiaro di come funziona la creatività umana, catturando il modo ricco, disordinato e unico in cui i nostri cervelli collegano il mondo.

Sintesi Tecnica: Introduzione alle Reti Semantiche Multiplex come Rappresentazioni Multifaccettate della Conoscenza Associativa Creativa

Problematica
La creatività è una capacità cognitiva complessa che si basa sull'organizzazione e il recupero della conoscenza dalla memoria semantica. Tuttavia, la ricerca attuale si affida spesso a task singoli (ad es. fluidità verbale) per misurare la creatività, catturando solo una frazione della sottostante complessità cognitiva. Resta da chiarire se diversi compiti cognitivi accedano a componenti distinte della memoria semantica o forniscano informazioni ridondanti. Inoltre, sebbene la scienza delle reti abbia modellato la memoria semantica, le reti a singolo strato non riescono a catturare le interazioni multidimensionali (associative, sintattiche, emotive) che caratterizzano il pensiero creativo. È necessario un framework che integri tipi di dati eterogenei in una rappresentazione unificata per determinare se un approccio multiplex offra una capacità predittiva e un'intuizione strutturale superiori rispetto ai modelli a task singolo.

Metodologia
Lo studio ha impiegato un framework di rete multiplex per analizzare i dati di 518 individui provenienti da quattro paesi (Austria, USA, Singapore, Italia) e un gruppo di confronto sintetico generato dall'IA.

Raccolta Dati: I partecipanti hanno completato sei compiti cognitivi distinti, allineati per argomento ("scuola" e "scienza"):
1. Fluidità Verbale (VF): Generazione di sostantivi entro un limite di tempo.
2. Catene di Frasi Woseco: Scrittura di frasi consecutive che collegano concetti.
3. Behavioural Forma Mentis (BFMN): Associazione libera con valutazioni della valenza emotiva.
4. Textual Forma Mentis (TFMN): Scrittura di brevi narrazioni con analisi della dipendenza sintattica.
5. Woseco-Textual Forma Mentis (WSC-TFM): Applicazione dell'analisi TFMN al testo completo delle catene Woseco.
6. Alternative Uses Task (AUT): Utilizzato come ground truth per i punteggi di creatività, valutato da due sistemi di IA (CLAUS e OCSAI).
Costruzione della Rete:
- Livello di Gruppo: Sono state costruite reti semantiche per gruppi ad alta e bassa creatività (suddivisi per la mediana del punteggio AUT) utilizzando metodi basati sulla correlazione (similarità del coseno) e grafi triangolati massimamente filtrati (TMFG) per i dati di fluidità.
- Livello Individuale: Le reti TFMN e BFMN sono state costruite per ogni partecipante. Per i compiti VF e Woseco, le reti a livello individuale non sono state costruite direttamente; invece, sono state eseguite simulazioni di attivazione diffusa (spreading activation) sulle reti di gruppo (stratificate per fluidità) per estrarre feature dinamiche per i singoli individui.
Pipeline di Analisi:
1. Riducibilità Strutturale: La distanza di Jensen-Shannon (JSD) è stata utilizzata per quantificare la similarità strutturale tra gli strati dei task. Gli strati sono stati fusi iterativamente per identificare configurazioni ottimali che minimizzassero la complessità senza perdere informazioni.
2. Machine Learning: Un modello di regressione Ridge con cross-validazione annidata ha previsto i punteggi AUT individuali utilizzando 12 feature non ridondanti derivate dalla struttura della rete, dalla valenza emotiva e dalla dinamica di attivazione diffusa. I valori SHAP sono stati utilizzati per l'interpretabilità.

Contributi Chiave

Validazione del Framework Multiplex: Lo studio dimostra che diversi compiti cognitivi catturano aspetti distinti e non ridondanti dell'organizzazione semantica. Le analisi di riducibilità strutturale hanno mostrato che gli strati non potevano essere completamente collassati senza perdita di informazione, supportando la necessità di un approccio multiplex rispetto ai modelli a task singolo.
Differenziazione Strutturale Uomo vs. IA: Le reti umane hanno mostrato differenze strutturali significative tra i gruppi ad alta e bassa creatività, che sono state preservate nella struttura multiplex. Al contrario, le reti generate dall'IA hanno mostrato strutture quasi identiche indipendentemente dai livelli di "creatività" assegnati, evidenziando l'omogeneità degli output dell'IA rispetto alla variabilità della memoria semantica umana.
Modellazione Predittiva: Lo studio ha applicato con successo il machine learning per predire i punteggi di creatività utilizzando le feature di rete. Ha identificato che le misure strutturali (ad es. dimensione della rete, lunghezza del percorso) erano i predittori più forti, con la dinamica di attivazione diffusa che forniva un potere predittivo complementare.
L'Idiosincrasia come Caratteristica: L'analisi ha rivelato che una maggiore proporzione di risposte idiosincratiche (parole uniche di un individuo e assenti dalla rete di gruppo) correla positivamente con la creatività, suggerendo che lo standard di filtraggio del rumore nella costruzione delle reti possa involontariamente scartare segnali rilevanti per la creatività.

Risultati

Riducibilità: Le configurazioni ottimali hanno spesso fuso lo strato Textual Forma Mentis (TFM) con gli strati Woseco-Textual (WSC-TFM), indicando una similarità strutturale tra i compiti basati sul testo. Tuttavia, altri strati (ad es. VF vs. WSC) rimanevano distinti. Fondamentalmente, gli strati umani ad alta e bassa creatività generalmente non potevano essere fusi, mentre gli strati dell'IA potevano essere fusi tra i gruppi di creatività.
Proprietà della Rete: Le reti umane erano più grandi, dense e presentavano maggiore modularità e coefficienti di clustering rispetto alle reti dell'IA. Le reti umane mostravano strutture di clustering non casuali, a differenza delle reti dell'IA che approssimavano aspettative casuali.
Performance Predittiva: Il modello di machine learning ha ottenuto una performance predittiva modesta ma significativa ( $R^2 = 0.116$ ) utilizzando la configurazione fusa TFM+WSC-TFM rispetto a un singolo strato TFM ( $R^2 = 0.076$ ).
Importanza delle Feature:
- Strutturali: Una dimensione di rete maggiore (vocabolario più diversificato) e coefficienti di clustering inferiori nelle reti TFM predicevano una maggiore creatività.
- Dinamiche: Livelli di attivazione stazionaria più elevati e l'attivazione massima nelle simulazioni di diffusione predicevano una maggiore creatività.
- Emotive: Minore rabbia e maggiore sorpresa nelle reti testuali predicevano una maggiore creatività.
- Idiosincrasia: È stata trovata una correlazione negativa tra la percentuale di parole valide (condivise dal gruppo) e i punteggi AUT, il che significa che gli individui più creativi producevano risposte uniche e non condivise.

Significatività e Rivendicazioni
L'articolo sostiene che le reti semantiche multiplex offrono una rappresentazione più ricca e transculturale della conoscenza associativa che sta alla base della creatività rispetto agli approcci a task singolo. Dimostrando che diversi compiti catturano informazioni complementari, lo studio argomenta per un passaggio nella valutazione della creatività verso framework multi-task. I risultati suggeriscono che la cognizione creativa emerga dall'interazione tra la struttura della memoria semantica e i processi dinamici di recupero. Gli autori inquadrano modestamente i risultati del machine learning come una "prova di concetto" con un potere predittivo modesto, notando che l'uso di valutatori IA per il ground truth potrebbe aver limitato la varianza. Il contributo primario è metodologico: stabilire che un approccio multiplex preserva firme cognitive distinte della creatività che vanno perse nei modelli aggregati o a singolo strato, e che tali firme sono robuste attraverso diversi campioni culturali e linguistici.