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

기술 요약: 창의적 연상 지식의 다면적 표현으로서의 다중 네트워크(Multiplex Semantic Networks) 도입

문제 제기
창의성은 의미 기억(semantic memory)으로부터 지식을 조직하고 인출하는 데 의존하는 복잡한 인지 능력이다. 그러나 현재의 연구는 종종 단일 과업(예: 언어 유창성)에 의존하여 창의성을 측정하며, 이는 기저에 깔린 인지적 복잡성의 극히 일부만을 포착한다. 서로 다른 인지 과업이 의미 기억의 별개 구성 요소를 접근하는지, 아니면 중복된 정보를 제공하는지는 여전히 불분명하다. 또한, 네트워크 과학이 의미 기억을 모델링해 왔음에도 불구하고, 단일 계층 네트워크는 창의적 사고의 특징인 다차원적 상호작용(연상, 통사론, 정서)을 포착하지 못한다. 따라서 이질적인 데이터 유형을 통합된 표현으로 결합하여, 다중 네트워크(multiplex) 접근 방식이 단일 과업 모델에 비해 우수한 예측력과 구조적 통찰력을 제공하는지 결정할 수 있는 프레임워크가 필요하다.

연구 방법론
본 연구는 518명의 개인(오스트리아, 미국, 싱가포르, 이탈리아)과 AI로 생성된 합성 비교 집단을 대상으로 다중 네트워크 프레임워크를 활용하여 데이터를 분석하였다.

• 데이터 수집: 참가자들은 주제("학교" 및 "과학")가 일치하는 6가지의 뚜렷한 인지 과업을 수행하였다:
  1. 언어 유창성 (Verbal Fluency, VF): 제한된 시간 내에 명사를 생성함.
  2. Woseco 문장 체인 (Woseco Sentence Chains): 개념을 연결하는 연속적인 문장을 작성함.
  3. 행동적 포르마 멘티스 (Behavioural Forma Mentis, BFMN): 정서적 가치 평가를 동반한 자유 연상.
  4. 텍스트적 포르마 멘티스 (Textual Forma Mentis, TFMN): 통사적 의존성 분석을 포함한 짧은 서사 작성.
  5. Woseco-텍스트적 포르마 멘티스 (WSC-TFM): Woseco 체인의 전체 텍스트에 TFMN 분석을 적용함.
  6. 대안적 사용 과업 (Alternative Uses Task, AUT): 두 개의 AI 시스템(CLAUS 및 OCSAI)에 의해 평가된 창의성 점수의 기준점(ground truth)으로 사용됨.
• 네트워크 구축:
  • 그룹 수준: 고창의성 그룹과 저창의성 그룹(AUT 중앙값에 따라 분리)을 대상으로 코사인 유사성 기반 상관관계 방법과 유창성 데이터를 위한 삼각 최대 필터 그래프(TMFG)를 사용하여 의미 네트워크를 구축하였다.
  • 개인 수준: 참가자별로 TFMN 및 BFMN 네트워크를 구축하였다. VF 및 Woseco 과업의 경우, 개인 수준의 네트워크를 직접 구축하는 대신, 그룹 수준 네트워크(유창성에 따라 계층화됨)에서 확산 활성화 시뮬레이션을 실행하여 개인의 동적 특징을 추출하였다.
• 분석 파이프라인:
  1. 구조적 환원 가능성 (Structural Reducibility): 젠슨-샤논 거리(JSD)를 사용하여 과업 계층 간의 구조적 유사성을 정량화하였다. 정보 손실 없이 복잡성을 최소화하는 최적의 구성을 식별하기 위해 계층을 반복적으로 병합하였다.
  2. 머신러닝: 네트워크 구조, 정서적 가치, 확산 활성화 역학에서 도출된 12개의 비중복 특징을 사용하여 개인의 AUT 점수를 예측하는 중첩 교차 검증 기반의 릿지 회귀(Ridge regression) 모델을 적용하였다. 해석 가능성을 위해 SHAP 값을 사용하였다.

주요 기여

1. 다중 네트워크 프레임워크 검증: 본 연구는 서로 다른 인지 과업이 의미 조직의 뚜렷하고 비중복적인 측면을 포착한다는 것을 입증하였다. 구조적 환원 가능성 분석 결과, 정보 손실 없이 계층을 완전히 붕괴시킬 수 없음을 보여주었으며, 이는 단일 과업 모델보다 다중 네트워크 접근 방식이 필요함을 뒷받침한다.
2. 인간 대 AI의 구조적 차별화: 인간 네트워크는 고창의성 그룹과 저창의성 그룹 사이에 유의미한 구조적 차이를 보였으며, 이는 다중 네트워크 구조에서도 유지되었다. 반면, AI 생성 네트워크는 할당된 "창의성" 수준에 관계없이 거의 동일한 구조를 보였는데, 이는 인간의 의미 기억이 가진 다양성과 대비되는 AI 출력물의 균질성을 강조한다.
3. 예측 모델링: 본 연구는 네트워크 특징을 사용하여 창의성 점수를 예측하는 머신러닝을 성공적으로 적용하였다. 연구는 구조적 척도(예: 네트워크 크기, 경로 길이)가 가장 강력한 예측 변수임을 확인하였으며, 확산 활성화 역학이 보완적인 예측력을 제공함을 밝혀냈다.
4. 특이성(Idiosyncrasy)의 특징화: 분석 결과, 개별적 반응(그룹 네트워크에는 없으나 개인에게만 나타나는 단어)의 비율이 높은 것이 창의성과 양의 상관관계를 보였다. 이는 네트워크 구축 시 표준적인 노이즈 필터링이 창의성과 관련된 신호를 의도치 않게 제거할 수 있음을 시사한다.

결과

• 환원 가능성: 최적의 구성은 텍스트적 포르마 멘티스(TFM) 계층을 WSC-TFM 계층과 자주 병합하였는데, 이는 텍스트 기반 과업 간의 구조적 유사성을 나타낸다. 그러나 다른 계층들(예: VF 대 WSC)은 여전히 구별되었다. 결정적으로, 인간의 고창의성 및 저창의성 계층은 일반적으로 병합될 수 없었던 반면, AI 계층은 창의성 그룹 간에 병합이 가능했다.
• 네트워크 속성: 인간 네트워크는 AI 네트워크보다 더 크고 밀도가 높으며, 더 높은 모듈성과 클러스터링 계수를 나타냈다. 인간 네트워크는 AI 네트워크가 무작위 기대치에 근접했던 것과 달리 비무작위적인 클러스터링 구조를 보였다.
• 예측 성능: 머신러닝 모델은 단일 TFM 계층을 사용할 때($R^2 = 0.076$)보다 병합된 TFM+WSC-TFM 계층을 사용할 때($R^2 = 0.116$) 더 높지만 유의미한 예측 성능을 달ical 성하였다.
• 특징 중요도:
  • 구조적 특징: 더 큰 네트워크 크기(더 다양한 어휘)와 TFM 네트워크의 낮은 클러스터링 계수가 높은 창의성을 예측하였다.
  • 역학적 특징: 확산 시뮬레이션에서의 더 높은 정지 활성화 수준과 최대 활성화가 높은 창의성을 예측하였다.
  • 정서적 특징: 텍스트 네트워크에서의 낮은 분노와 높은 놀라움이 높은 창의성을 예측하였다.
  • 특이성: 유효한(그룹 공유) 단어의 비율과 AUT 점수 사이에 음의 상관관계가 발견되었는데, 이는 더 창의적인 개인일수록 더 독특하고 공유되지 않는 반응을 생성함을 의미한다.

의의 및 주장
본 논문은 다중 네트워크 의미 체계가 단일 과업 접근 방식보다 창의성의 기저에 있는 연상 지식에 대해 더 풍부한 교차 문화적 표현을 제공한다고 주장한다. 서로 다른 과업이 보완적인 정보를 포착한다는 것을 입증함으로써, 본 연구는 창의성 평가를 다중 과업 프레임워크로 전환해야 한다고 주장한다. 연구 결과는 창의적 인지가 의미 기억 구조와 동적 인출 과정의 상호작용에서 발생함을 시사한다. 저자들은 AI 평가자를 기준점으로 사용한 것이 분산을 제한했을 수 있음을 언급하며, 머신러닝 결과를 적절한 예측력을 가진 "개념 증명(proof-of-concept)"으로 겸허하게 규정하였다. 주요 기여는 방법론적인 것으로, 다중 네트워크 접근 방식이 단일 계층 또는 통합 모델에서는 소실될 수 있는 창의성의 독특한 인지적 서명을 보존한다는 점을 확립한 것이다. 이러한 서명은 다양한 문화 및 언어 샘플 전반에서 견고하게 나타난다.