창의성을 뒷받침하는 연상 지식 구조를 단일 인지 과제가 아닌 여러 과제 레이어를 결합한 다층 의미 네트워크로 모델링하면 훨씬 풍부한 정보를 포착할 수 있다는 연구 결과가 발표됐다. 오스트리아·미국·싱가포르·이탈리아 4개국에서 수집한 518명의 언어 유창성, 문장 연결, 자유 연상, 서사 작문 응답 데이터를 토대로 구성한 다층 구조(multiplex network)가 단일 과제 네트워크보다 비중복 정보를 더 많이 담고 있음이 확인됐다.
구조적 축약 가능성 분석을 통해 각 과제 레이어가 의미 조직에 관한 서로 다른 정보를 독립적으로 제공한다는 점이 입증됐다. 고창의성 집단과 저창의성 집단의 네트워크는 구조적으로 뚜렷이 구분됐지만, AI가 생성한 네트워크는 창의성 집단에 무관하게 거의 동일한 구조를 보여 AI 페르소나 기반 응답이 인간 창의성의 다양성을 재현하지 못함을 드러냈다. 네트워크 측도, 감성 점수, 활성화 확산 시뮬레이션 등 12개 특징을 릿지 회귀 기반 머신러닝 모델에 투입하자 개인별 창의성 점수 예측 정확도가 50% 향상됐다.
예측 성능에서는 네트워크 구조 측도의 기여도가 가장 높았으며, 활성화 확산 역학이 추가적인 설명력을 제공했다. 구조적으로 유사한 레이어들을 선별해 결합하는 방식이 단순 합산보다 예측에 유리하다는 점도 확인됐다. 연구진은 이번 결과가 창의성 연구에서 다중 과제 접근법이 단일 과제보다 우위에 있음을 지지하며, 다국어·다문화 데이터셋과 코드를 공개해 후속 연구를 촉진하겠다고 밝혔다.
이 연구는 창의성을 측정하는 기존 방법론의 한계를 짚으면서, AI 모델이 인간 연상 지식의 다양성을 제대로 담아내지 못한다는 점도 함께 조명했다. 인지과학과 자연어처리가 교차하는 이 분야에서 다층 네트워크 접근법이 향후 창의성 모델링의 표준으로 자리잡을 가능성을 제시한다.
