창의성(Creativity)은 의미 기억(semantic memory)으로부터의 지식 조직화 및 인출에 의존하는 복잡한 인지 능력입니다. 그러나 대부분의 연구는 이를 측정하기 위해 단일 과업(single task)을 사용하며, 이는 이러한 복잡성의 극히 일부만을 포착합니다. 본 연구는 창의성의 근간이 되는 연상 지식(associative knowledge)을 모델링하기 위한 더 포괄적인 접근 방식으로서, 6가지 인지 과업으로부터 얻은 계층적 의미 네트워크인 멀티플렉스 네트워크(multiplex networks)를 조사합니다. 우리는 4개국(오스트리아, 미국, 싱가포르, 이탈리아)의 N=518명으로부터 데이터를 수집했습니다. 언어 유창성(verbal fluency), 문장 연쇄(sentence-chain), 자유 연상(free association), 서사 쓰기(narrative writing) 과업에 대한 응답을 바탕으로 의미 네트워크(semantic networks)를 구축하고 이를 멀티플렉스 구조(multiplex structure)로 결합했습니다. AI 페르소나 기반의 응답은 비교 기준점(baseline)을 제공했습니다. 구조적 환원성(Structural reducibility) 분석 결과, 서로 다른 과업 계층(task layers)은 의미 조직(semantic organisation)에 관한 뚜렷하고 중복되지 않는 정보를 포착하였으며, 이는 단일 과업보다 다중 과업을 사용하는 것이 타당함을 뒷받침합니다. 창의성이 높은 집단과 낮은 집단의 네트워크는 구조적으로 뚜렷하게 구분된 상태를 유지한 반면, AI 생성 네트워크는 창의성 집단에 관계없이 거의 동일한 구조를 보였습니다. 마지막으로, 우리는 개인의 창의성 점수를 예측하기 위해 릿지 회귀(ridge regression)를 사용하는 머신러닝(machine learning) 모델에 12가지 특징(네트워크 측정치, 정서 점수, 확산 활성화 시뮬레이션(spreading activation simulations))을 사용했습니다. 이전 단계에서 확인된 구조적으로 유사한 계층들의 조합은 개념 증명(proof-of-concept) 예측 정확도를 50% 향상시켰습니다. 구조적 측정치(Structural measures)가 가장 높은 특징 중요도(feature importance)를 보였으며, 확산 활성화 역학(spreading activation dynamics)이 추가적인 예측력을 제공했습니다. 종합적으로, 이러한 발견은 멀티플렉스 의미 네트워크가 창의성의 근간이 되는 연상 지식에 대해 더 풍부하고 교차 문화적인(cross-cultural) 모습을 포착함을 나타냅니다. 또한 우리는 창의성 커뮤니티 내에서 다양한 계산적 접근 방식을 장려하기 위해 우리의 다양한 데이터셋과 코드를 공개합니다.