💬 NLP

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

Este estudo demonstra que redes semânticas multiplex, construídas a partir de seis tarefas cognitivas em uma amostra multilíngue diversificada, fornecem uma representação mais abrangente e não redundante do conhecimento associativo subjacente à criatividade do que abordagens de tarefa única, melhorando significamente a previsão de escores de criatividade individual por meio de aprendizado de máquina.

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

Publicado 2026-06-09

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine sua mente como uma biblioteca vasta e movimentada. Dentro desta biblioteca, cada ideia, palavra e memória é um livro. A Criatividade é a habilidade de caminhar pelos corredores e retirar dois livros que parecem completamente não relacionados — como um "garfo" e uma "nuvem" — e perceber que eles podem ser conectados de uma forma nova e útil.

Este artigo é como uma equipe de bibliotecários tentando entender como diferentes pessoas organizam suas bibliotecas mentais. Eles queriam ver se existe um "mapa" específico de como as pessoas criativas organizam seus livros em comparação com as menos criativas.

Aqui está a história da descoberta deles, dividida em partes simples:

1. O Problema: Um Mapa Não é Suficiente

Geralmente, os pesquisadores tentam entender sua mente pedindo que você realize apenas uma tarefa, como listar o maior número de palavras que conseguir pensar relacionadas a "escola". É como tentar entender uma cidade inteira olhando apenas para uma rua. Você perde os parques, as pontes e os becos escondidos.

Os pesquisadores perguntaram: E se olhássemos para seis diferentes "ruas" da mente ao mesmo tempo?

2. O Experimento: Seis Diferentes "Jogos Mentais"

Eles reuniram 518 estudantes de quatro países (Áustria, EUA, Singapura e Itália) e os pediram para jogar seis jogos de palavras diferentes. Pense nesses jogos como lentes diferentes:

O Jogo do Flash: Listar palavras rapidamente (Fluência Verbal).
O Jogo da Corrente: Escrever frases onde a última palavra de uma frase inicia a próxima (Cadeias de Sentenças).
O Jogo da Associação Livre: Dizer as três primeiras palavras que vêm à mente ao ouvir um estímulo.
O Jogo da História: Escrever um parágrafo curto sobre criatividade na ciência.

Eles também pediram a um Robô (IA) para jogar esses mesmos jogos. O robô recebeu uma "persona" (ex: "Você é um estudante de 20 anos da Itália") e foi instruído a agir como um humano.

3. A Grande Descoberta: A Biblioteca "Multiplex"

Os pesquisadores construíram uma Rede Multiplex. Imagine um sanduíche.

A Camada 1 é o mapa do Jogo do Flash.
A Camada 2 é o mapa do Jogo da Corrente.
A Camada 3 é o mapa do Jogo da História.

Em um estudo normal, eles esmagariam todas essas camadas em um único mapa plano. Mas esta equipe as manteve como camadas separadas, empilhadas umas sobre as outras.

O que eles descobriram:

Diferentes camadas contam histórias diferentes. O mapa do "Jogo do Flash" era diferente do mapa do "Jogo da História". Eles não estavam apenas repetindo a mesma informação; estavam mostrando partes diferentes da biblioteca.
Pessoas criativas têm mapas únicos. Quando compararam o grupo "Altamente Criativo" com o grupo "Baixa Criatividade", as camadas não coincidiam. As bibliotecas mentais das pessoas criativas tinham uma forma e estrutura diferentes.
Robôs são entediantes. Os mapas do robô de IA eram quase idênticos, independentemente de ele estar fingindo ser "criativo" ou "pouco criativo". A biblioteca do robô era muito uniforme. Ele não conseguia imitar a estrutura complexa, única e distinta de uma mente humana.

4. A Previsão: Adivinhando a Criatividade com uma Calculadora

A equipe então tentou usar um programa de computador (Aprendizado de Máquina) para adivinhar o quão criativa uma pessoa era apenas olhando para seus mapas de biblioteca. Eles alimentaram o computador com 12 pistas, tais como:

Qual o tamanho da biblioteca? (Número de palavras usadas).
Qual a distância entre os livros? (Distância média entre ideias).
Quão agrupados estão os livros? (As ideias se agrupam de forma densa?).
Como a "energia" flui? (Eles simularam uma "ativação espalhada", como uma faísca saltando de um livro para outro, para ver o quão rápido e longe ela viajava).

O Resultado:
O computador tornou-se melhor em adivinhar a criatividade quando olhava para as camadas combinadas (o sanduíche) em vez de apenas uma camada.

As pistas mais fortes: O tamanho da biblioteca e como as ideias estavam conectadas (medidas estruturais).
As pistas surpreendentes: A "ativação espalhada" (como a faísca saltava) adicionou poder extra à previsão.
As pistas emocionais: Curiosamente, pessoas que escreveram histórias com menos "raiva" e mais "surpresa" tendiam a ser classificadas como mais criativas.

5. O Segredo "Idiossincrático"

Uma das descobertas mais interessantes foi sobre respostas "estranhas".

Testes padrão geralmente descartam respostas que apenas uma pessoa deu, chamando-as de "ruído" ou erros.
Mas este estudo descobriu que quanto mais "estranhas" ou únicas eram as respostas de uma pessoa (que ninguém mais pensou), mais criativa ela era classificada.
É como dizer que os bibliotecários mais criativos são aqueles que retiram os livros empoeirados e esquecidos que ninguém mais se lembra.

Resumo

Este artigo argumenta que, para entender a criatividade, não devemos olhar apenas para um instantâneo do pensamento de uma pessoa. Precisamos olhar para um filme de múltiplas camadas de como eles conectam palavras, contam histórias e saltam entre ideias.

Mentes criativas são como bibliotecas complexas e de múltiplas camadas, com caminhos únicos e conexões surpreendentes.
Robôs (pelo menos os testados aqui) constroem bibliotecas que parecem muito semelhantes e previsíveis, independentemente de como lhes é dito para agir.
O futuro: Ao usar esses mapas de múltiplas camadas, podemos obter uma imagem muito mais clara de como a criatividade humana funciona, capturando a maneira rica, caótica e única com que nossos cérebros conectam o mundo.

Resumo Técnico: Introduzindo Redes Semânticas Multiplex como Representações Multifacetadas do Conhecimento Associativo Criativo

Problema
A criatividade é uma habilidade cognitiva complexa que depende da organização e recuperação de conhecimento da memória semântica. No entanto, a pesquisa atual frequentemente se baseia em tarefas únicas (ex: fluência verbal) para medir a criatividade, capturando apenas uma fração da complexidade cognitiva subjacente. Permanece incerto se diferentes tarefas cognitivas acessam componentes distintos da memória semântica ou se fornecem informações redundantes. Além disso, embora a ciência de redes tenha modelado a memória semântica, redes de camada única falham em capturar as interações multidimensionais (associativas, sintáticas, emocionais) que caracterizam o pensamento criativo. Há uma necessidade de um framework que integre tipos de dados heterogêneos em uma representação unificada para determinar se uma abordagem multiplex oferece poder preditivo e insights estruturais superiores em comparação com modelos de tarefa única.

Metodologia
O estudo empregou um framework de rede multiplex para analisar dados de 518 indivíduos em quatro países (Áustria, EUA, Singapura, Itália) e um grupo de comparação sintético gerado por IA.

Coleta de Dados: Os participantes completaram seis tarefas cognitivas distintas alinhadas pelo tópico ("escola" e "ciência"):
1. Fluência Verbal (VF): Geração de substantivos dentro de um limite de tempo.
2. Cadeias de Sentenças Woseco: Escrita de sentenças consecutivas ligando conceitos.
3. Behavioural Forma Mentis (BFMN): Associação livre com classificações de valência emocional.
4. Textual Forma Mentis (TFMN): Escrita de narrativas curtas com análise de dependência sintática.
5. Woseco-Textual Forma Mentis (WSC-TFM): Aplicação da análise TFMN ao texto completo das cadeias Woseco.
6. Tarefa de Usos Alternativos (AUT): Utilizada como o ground truth para escores de criatividade, avaliada por dois sistemas de IA (CLAUS e OCSAI).
Construção de Redes:
- Nível de Grupo: Redes semânticas foram construídas para grupos de alta e baixa criatividade (divididos pela mediana do escore AUT) usando métodos baseados em correlação (similaridade de cosseno) e Grafos Filtrados Maximamente Triangulados (TMFG) para dados de fluência.
- Nível Individual: Redes TFMN e BFMN foram construídas por participante. Para as tarefas VF e Woseco, redes de nível individual não foram construídas diretamente; em vez disso, simulações de ativação por propagação foram executadas em redes de nível de grupo (estratificadas por fluência) para extrair características dinâmicas para os indivíduos.
Pipeline de Análise:
1. Redutibilidade Estrutural: A Distância de Jensen-Shannon (JSD) foi usada para quantificar a similaridade estrutural entre as camadas das tarefas. As camadas foram fundidas iterativamente para identificar configurações ideais que minimizam a complexidade sem perder informação.
2. Aprendizado de Máquina: Um modelo de regressão Ridge com validação cruzada aninhada previu os escores individuais de AUT usando 12 características não redundantes derivadas da estrutura da rede, valência emocional e dinâmica de ativação por propagação. Valores SHAP foram usados para interpretabilidade.

Principais Contribuições

Validação do Framework Multiplex: O estudo demonstra que diferentes tarefas cognitivas capturam aspectos distintos e não redundantes da organização semântica. Análises de redutibilidade estrutural mostraram que as camadas não poderiam ser totalmente colapsadas sem perda de informação, apoiando a necessidade de uma abordagem multiplex sobre modelos de tarefa única.
Diferenciação Estrutural Humano vs. IA: Redes humanas exibiram diferenças estruturais significativas entre grupos de alta e baixa criatividade, as quais foram preservadas na estrutura multiplex. Em contraste, redes geradas por IA mostraram estruturas quase idênticas, independentemente dos níveis de "criatividade" atribuídos, destacando a homogeneidade dos outputs da IA em comparação com a variabilidade da memória semântica humana.
Modelagem Preditiva: O estudo aplicou com sucesso o aprendizado de máquina para prever escores de criatividade usando características de rede. Identificou-se que medidas estruturais (ex: tamanho da rede, comprimento do caminho) foram os preditores mais fortes, com a dinâmica de ativação por propagação fornecendo poder preditivo complementar.
Idiosincrasia como Característica: A análise revelou que uma proporção maior de respostas idiossincráticas (palavras únicas de um indivíduo e ausentes da rede do grupo) correlacionou-se positivamente com a criatividade, sugerindo que o filtragem de ruído padrão na construção de redes pode inadvertidamente descartar sinais relevantes para a criatividade.

Resultos

Redutibilidade: Configurações ideais frequentemente fundiram a camada Textual Forma Mentis (TFM) com as camadas Woseco-Textual (WSC-TFM), indicando similaridade estrutural entre tarefas baseadas em texto. Crucialmente, as camadas humanas de alta e baixa criatividade geralmente não puderam ser fundidas, enquanto as camadas de IA puderam ser fundidas entre os grupos de criatividade.
Propriedades de Rede: Redes humanas foram maiores, mais densas e exibiram maior modularidade e coeficientes de agrupamento (clustering) do que as redes de IA. Redes humanas mostraram estruturas de agrupamento não aleatórias, ao contrário das redes de IA, que aproximaram as expectativas de uma distribuição aleatória.
Desempenho Preditivo: O modelo de aprendizado de máquina alcançou um desempenho preditivo modesto, mas significativo ( $R^2 = 0,116$ ), quando utilizando a camada fundida TFM+WSC-TFM em comparação com uma única camada TFM ( $R^2 = 0,076$ ).
Importância das Características:
- Estrutural: Maior tamanho de rede (vocabulário mais diverso) e menores coeficientes de agrupamento em redes TFM predisseram maior criatividade.
- Dinâmica: Níveis de ativação estacionária mais altos e ativação máxima em simulações de propagação predisseram maior criatividade.
- Emocional: Menor raiva e maior surpresa em redes textuais predisseram maior criatividade.
- Idiosincrasia: Uma correlação negativa foi encontrada entre a porcentagem de palavras válidas (compartilhadas pelo grupo) e os escores AUT, significando que indivíduos mais criativos produziram respostas mais únicas e não compartilhadas.

Significância e Alegações
O artigo afirma que redes semânticas multiplex oferecem uma representação mais rica e transcultural do conhecimento associativo subjacente à criatividade do que abordagens de tarefa única. Ao demonstrar que diferentes tarefas capturam informações complementares, o estudo argumenta por uma mudança na avaliação da criatividade em direção a frameworks de múltiplas tarefas. Os achados sugerem que a cognição criativa emerge da interação entre a estrutura da memória semântica e os processos dinâmicos de recuperação. Os autores enquadram modestamente os resultados de aprendizado de máquina como uma "prova de conceito" com poder preditivo modesto, observando que o uso de avaliadores de IA para o ground truth pode ter limitado a variância. A principal contribuição é metodológica: estabelecer que uma abordagem multiplex preserva assinaturas cognitivas distintas da criatividade que são perdidas em modelos agregados ou de camada única, e que essas assinaturas são robustas através de diversas amostras culturais e linguísticas.