💬 NLP

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

Deze studie toont aan dat multiplex semantische netwerken, geconstrueerd uit zes cognitieve taken over een diverse meertalige steekproef, een meer uitgebreide en niet-redundante representatie bieden van de associatieve kennis die ten grondslag ligt aan creativiteit dan single-task benaderingen, waarbij zij de voorspelling van individuele creativiteitsscores via machine learning significant verbeteren.

Oorspronkelijke auteurs: Edith Haim, Kurt Haim, Roger E. Beaty, Cynthia S. Q. Siew, Massimo Stella

Gepubliceerd 2026-06-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Edith Haim, Kurt Haim, Roger E. Beaty, Cynthia S. Q. Siew, Massimo Stella

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je je geest voor als een enorme, bruisende bibliotheek. Binnen in deze bibliotheek is elk idee, woord en elke herinnering een boek. Creativiteit is het vermogen om door de gangpaden te lopen en twee boeken naar voren te halen die totaal ongerelateerd lijken — zoals een "vork" en een "wolk" — en te beseffen dat ze op een nieuwe, nuttige manier verbonden kunnen worden.

Dit artikel is als een team van bibliothecarissen dat probeert te begrijpen hoe verschillende mensen hun mentale bibliotheken organiseren. Ze wilden zien of er een specifieke "kaart" bestaat van hoe creatieve mensen hun boeken ordenen vergeleken met minder creatieve mensen.

Hier is het verhaal van hun ontdekking, onderverdeeld in eenvoudige delen:

1. Het Probleem: Eén kaart is niet genoeg

Meestal proberen onderzoekers je geest te begrijpen door je slechts één taak te laten doen, zoals het zo snel mogelijk opnoemen van woorden die gerelateerd zijn aan "school". Het is alsof je een hele stad probeert te begrijpen door slechts naar één straat te kijken. Je mist de parken, de bruggen en de verborgen steegjes.

De onderzoekers vroegen: Wat als we tegelijkertijd naar zes verschillende "straten" van de geest kijken?

2. Het Experiment: Zes verschillende "mentale spelletjes"

Ze verzamelden 518 studenten uit vier landen (Oostenrijk, de VS, Singapore en Italië) en vroegen hen om zes verschillende woordspelletjes te spelen. Zie deze spelletjes als verschillende lenzen:

Het Flash Game: Woorden snel opnoemen (Verbale Fluïteit).
Het Kettingspel: Zinnen schrijven waarbij het laatste woord van de ene zin het begin vormt van de volgende (Zettenketens).
Het Vrije Associatie Spel: De eerste drie woorden noemen die in je opkomen bij een bepaalde aanwijzing.
Het Verhaalspel: Een korte paragraaf schrijven over creativiteit in de wetenschap.

Ze vroegen ook een Robot (AI) om dezezelfde spelletjes te spelen. De robot kreeg een "persona" (bijv. "Je bent een 20-jarige student uit Italië") en de opdracht om zich als een mens te gedragen.

3. De Grote Ontdekking: De "Multiplex" Bibliotheek

De onderzoekers bouwden een Multiplex Netwerk. Stel je een sandwich voor.

Laag 1 is de kaart van het Flash Game.
Laag 2 is de kaart van het Kettingspel.
Laag 3 is de kaart van het Verhaalspel.

In een normaal onderzoek zouden ze al deze lagen samenvoegen tot één platte kaart. Maar dit team hield ze als aparte lagen op elkaar gestapeld.

Wat ze vonden:

Verschillende lagen vertellen verschillende verhalen. De kaart van het "Flash Game" zag er anders uit dan de kaart van het "Verhaalspel". Ze herhaalden niet simpelweg dezelfde informatie; ze toonden verschillende delen van de bibliotheek.
Creatieve mensen hebben unieke kaarten. Toen ze de groep "Hoog Creatief" vergeleken met de groep "Laag Creatief", kwamen de lagen niet overeen. De mentale bibliotheken van de creatieve mensen hadden een andere vorm en structie.
Robots zijn saai. De kaarten van de AI-robot zagen er bijna identiek uit, of de robot nu deed alsof hij "creatief" of "oncreatief" was. De bibliotheek van de robot was te uniform. Het kon de rommelige, unieke en onderscheidende structuur van een menselijke geest niet nabootsen.

4. De Voorspelling: Creativiteit raden met een rekenmachine

Het team probeerde vervolgens een computerprogramma (Machine Learning) te gebruiken om te raden hoe creatief iemand was, enkel door naar hun bibliotheekkaarten te kijken. Ze voerden de computer 12 aanwijzingen, zoals:

Hoe groot is de bibliotheek? (Aantal gebruikte woorden).
Hoe ver liggen de boeken uit elkaar? (Gemiddelde afstand tussen ideeën).
Hoe geclusterd zijn de boeken? (Groeperen ideeën zich dicht bij elkaar?).
Hoe stroomt de "energie"? (Ze simuleerden een "verspreidende activatie", zoals een vonk die van het ene boek naar het andere springt, om te zien hoe snel en ver deze reisde).

Het Resultaat:
De computer werd beter in het raden van creativiteit wanneer hij naar de gecombineerde lagen (de sandwich) keek in plaats van naar slechts één laag.

De sterkste aanwijzingen: De grootte van de bibliotheek en hoe de ideeën verbonden waren (structurele maten).
De verrassende aanwijzingen: De "verspreidende activatie" (hoe de vonk sprong) voegde extra kracht toe aan de voorspelling.
De emotionele aanwijzingen: Interessant genoeg bleken mensen die verhalen schreven met minder "woede" en meer "verrassing", de neiging te hebben om als creatiever te worden beoordeeld.

5. Het "Idiosyncratische" Geheim

Een van de meest interessante bevindingen ging over "vreemde" antwoorden.

Standaardtesten gooien meestal antwoorden weg die slechts één persoon geeft, en noemen dit "ruis" of fouten.
Maar dit onderzoek vond dat hoe meer "vreemde" of unieke antwoorden iemand gaf (die niemand anders bedacht), hoe creatiever zij werden beoordeeld.
Het is alsof je zegt dat de meest creatieve bibliothecarissen degenen zijn die de stoffige, vergeten boeken tevoorschijn halen die niemand anders zich herinnert.

Samenvatting

Dit artikel betoogt dat we, om creativiteit te begrijpen, niet naar slechts één momentopname van iemands denken moeten kijken. We moeten kijken naar een meerdere lagen tellende film van hoe zij woorden verbinden, verhalen vertellen en tussen ideeën springen.

Creatieve geesten zijn als complexe, meerlagige bibliotheken met unieke paden en verrassende verbindingen.
Robots (althans de robots die hier getest zijn) bouwen bibliotheken die te vergelijkbaar en voorspelbaar zijn, ongeacht hoe ze worden gevraagd te handelen.
De toekomst: Door deze meerlagige kaarten te gebruiken, kunnen we een veel duidelijker beeld krijgen van hoe menselijke creativiteit werkt, waarbij we de rijke, rommelige en unieke manier vastleggen waarop onze hersenen de wereld verbinden.

Technische Samenvatting: Introductie van Multiplex Semantische Netwerken als Multifacetterende Representaties van Creatieve Associatieve Kennis

Probleemstelling
Creativiteit is een complexe cognitieve vaardigheid die rust op de organisatie en het ophalen van kennis uit het semantisch geheugen. De huidige research leunt echter vaak op enkelvoudige taken (bijv. verbale vloeiendheid) om creativiteit te meten, wat slechts een fractie van de onderliggende cognitieve complexiteit vangt. Het blijft onduidelijk of verschillende cognitieve taken onderscheidende componenten van het semantisch geheugen aanboren of redundante informatie bieden. Bovendien falen single-layer netwerken, terwijl netwerkwetenschap semantisch geheugen wel heeft gemodelleerd, in het vastleggen van de multidimensionale interacties (associatief, syntactisch, emotioneel) die kenmerkend zijn voor creatief denken. Er is behoefte aan een framework dat heterogene datatypen integreert in een verenigde representatie om te bepalen of een multiplex benadering superieure voorspellende kracht en structureel inzicht biedt vergeleken met single-task modellen.

Methodologie
De studie maakte gebruik van een multiplex netwerkframework om data van 518 individuen uit vier landen (Oostenrijk, VS, Singapore, Italië) en een synthetische vergelijkingsgroep gegenereerd door AI te analyseren.

Dataverzameling: Deelnemers voltooiden zes verschillende cognitieve taken, gealigneerd op onderwerp ("school" en "wetenschap"):
1. Verbal Fluency (VF): Het genereren van zelfstandige naamwoorden binnen een tijdslimiet.
2. Woseco Sentence Chains: Het schrijven van opeenvolgende zinnen die concepten verbinden.
3. Behavioural Forma Mentis (BFMN): Vrije associatie met beoordelingen van emotionele valentie.
4. Textual Forma Mentis (TFMN): Het schrijven van korte narratieven met syntactische afhankelijkheidsanalyse.
5. Woseco-Textual Forma Mentis (WSC-TFM): Het toepassen van TFMN-analyse op de volledige tekst van Woseco-ketens.
6. Alternative Uses Task (AUT): Gebruikt als de 'ground truth' voor creativiteitsscores, beoordeeld door twee AI-systemen (CLAUS en OCSAI).
Netwerkconstructie:
- Groepsniveau: Semantische netwerken werden geconstrueerd voor hoog- en laag-creatieve groepen (gesplitst door de mediaan van de AUT-score) met behulp van correlatiemethoden (cosine similarity) en Triangulated Maximally Filtered Graphs (TMFG) voor vloeiendheidsdata.
- Individueel niveau: TFMN- en BFMN-netwerken werden per deelnemer gebouwd. Voor de VF- en Woseco-taken werden geen individuele netwerken direct geconstrueerd; in plaats daarvan werden spreading activation-simulaties uitgevoerd op groepsniveau-netwerken (gestratificeerd op vloeiendheid) om dynamische kenmerken voor individuen te extraheren.
Analyse Pipeline:
1. Structurele Reduceerbaarheid: Jensen-Shannon Afstand (JSD) werd gebruikt om de structurele gelijkenis tussen taaklagen te kwantificeren. Lagen werden iteratief samengevoegd om optimale configuraties te identificeren die de complexiteit minimaliseren zonder informatieverlies.
2. Machine Learning: Een Ridge-regressiemodel met geneste cross-validatie voorspelde individuele AUT-scores met behulp van 12 niet-redundante kenmerken afgeleid van netwerkstructuur, emotionele valentie en spreading activation-dynamiek. SHAP-waarden werden gebruikt voor interpreteerbaarheid.

Belangrijkste Bijdragen

Validatie van het Multiplex Framework: De studie toont aan dat verschillende cognitieve taken onderscheidende, niet-redundante aspecten van semantische organisatie vastleggen. Analyses van structurele reduceerbaarheid toonden aan dat lagen niet volledig konden worden samengevoegd zonder informatieverlies, wat de noodzaak van een multiplex benadering boven single-task modellen ondersteunt.
Menselijke vs. AI Structurele Differentiatie: Menselijke netwerken vertoonden significante structurele verschillen tussen hoog- en laag-creatieve groepen, die behouden bleven in de multiplex structuur. Daarentegen vertoonden AI-gegenereerde netwerken bijna identieke structuren, ongeacht de toegewezen "creativiteitsniveau", wat de homogeniteit van AI-outputs benadrukt ten opzichte van de variabiliteit in het menselijk semantisch geheugen.
Voorspellend Model: De studie slaagde erin machine learning toe te passen om creativiteitsscores te voorspellen met behulp van netwerkkenmerken. Het identificeerde dat structurele maten (bijv. netwerkomvang, padlengte) de sterkste voorspellers waren, waarbij spreading activation-dynamiek complementaire voorspellende kracht bood.
Idiosyncrasie als Kenmerk: De analyse onthulde dat een hoger aandeel idiosyncratische responsen (woorden uniek voor een individu en afwezig in het groepsnetwerk) positief correleerde met creativiteit, wat suggereert dat standaard ruisonderdrukking bij netwerkconstructie onbedoeld creativiteitsrelevante signalen kan verwijderen.

Resultaten

Reduceerbaarheid: Optimale configuraties voegden de Textual Forma Mentis (TFM)-laag vaak samen met Woseco-Textual (WSC-TFM)-lagen, wat wijst op structurele gelijkenis tussen tekstgebaseerde taken. Andere lagen (bijv. VF vs. WSC) bleven echter onderscheidend. Cruciaal was dat menselijke hoog- en laag-creatieve lagen over het algemeen niet konden worden samengevoegd, terwijl AI-lagen wel konden worden samengevoegd over creativiteitsgroepen heen.
Netwerkeigenschappen: Menselijke netwerken waren groter, dichter en vertoonden een hogere modulariteit en clusteringcoëfficiënt dan AI-netwerken. Menselijke netwerken vertoonden niet-willekeurige clusteringstructuren, in tegen tegenover AI-netwerken die de willekeurige verwachtingen benaderden.
Voorspellende Prestaties: Het machine learning-model bereikte een bescheiden maar significante voorspellende prestatie ( $R^2 = 0,116$ ) wanneer de samengevoegde TFM+WSC-TFM-laag werd gebruikt, vergeleken met een enkele TFM-laag ( $R^2 = 0,076$ ).
Kenmerkbelang (Feature Importance):
- Structureel: Grotere netwerkomvang (diverser vocabulaire) en lagere clusteringcoëfficiënten in TFM-netwerken voorspelden hogere creativiteit.
- Dynamiek: Hogere stationaire activatieniveaus en maximale activatie in spreading-simulaties voorspelden hogere creativiteit.
- Emotioneel: Lagere boosheid en hogere verbazing in tekstnetwerken voorspelden hogere creativiteit.
- Idiosyncrasie: Een negatieve correlatie werd gevonden tussen het percentage geldige (door de groep gedeelde) woorden en AUT-scores, wat betekent dat creatievere individuen meer unieke, niet-gedeelde responsen produceerden.

Significantie en Claims
Het artikel claimt dat multiplex semantische netwerken een rijkere, cross-culturele representatie bieden van de associatieve kennis die ten grondslag ligt aan creativiteit dan single-task benaderingen. Door aan te tonen dat verschillende taken complementaire informatie vastleggen, pleit de studie voor een verschuiving in de beoordeling van creativiteit naar multi-task frameworks. De bevindingen suggereren dat creatieve cognitie voortkomt uit het samenspel van de semantische geheugenstructuur en dynamische ophaalprocessen. De auteurs kaderen de machine learning-resultaten bescheiden als een "proof-of-concept" met een bescheiden voorspellende kracht, waarbij zij opmerken dat het gebruik van AI-raters voor de 'ground truth' de variantie mogelijk heeft beperkt. De primaire bijdrage is methodologisch: het vaststellen dat een multiplex benadering onderscheidende cognitieve signaturen van creativiteit behoudt die verloren gaan in geaggregeerde of single-layer modellen, en dat deze signaturen robuust zijn over diverse culturele en linguïstische steekproeven.