DOI: https://doi.org/10.1017/dsj.2026.10050
تاريخ النشر: 2026-01-01
المؤلف: Morteza Zangeneh Soroush وآخرون
الموضوع الرئيسي: الإبداع في التعليم وعلوم الأعصاب
نظرة عامة
تبحث هذه الدراسة في العمليات العصبية المعرفية التي تكمن وراء إبداع التصميم من خلال دراسة تجريبية تستخدم إشارات EEG. تحدد الدراسة أربع حالات معرفية—توليد الأفكار (IDG)، تطور الأفكار (IDE)، عملية التقييم (IDR)، ووضع الراحة (RST)—وتستخدم تحليل تكرار الكمية (RQA) لاستخراج 13 ميزة مهمة تميز هذه الحالات. تكشف التحليلات الإحصائية، المدعومة بخريطة تخطيط الدماغ EEG، عن ديناميات تكرارية معقدة بشكل أساسي في المناطق الدماغية الجبهية، الجدارية، والوسطى. حققت تصنيفات الحالات المعرفية باستخدام ستة نماذج تعلم آلي مقاييس أداء عالية، بما في ذلك دقة متوسطة تبلغ 96.23% وقيمة كابا تبلغ 93.56%، مما يؤكد قوة النتائج.
تؤسس الدراسة إطار عمل موثوق يعتمد على EEG يلتقط الانتقالات الديناميكية عبر الحالات المعرفية لإبداع التصميم، مما يضمن الصلاحية البيئية من خلال مهام خاضعة للرقابة بشكل فضفاض مستمدة من اختبار تورانس المعدل للتفكير الإبداعي (TTCT-F). تعكس الميزات المستخرجة من RQA سلوكيات عصبية معقدة، كاشفة عن أنماط تنشيط مميزة وتدعم نماذج تكرارية لإدراك التصميم. تشير تحليلات الحساسية إلى أن الميزات المهمة تظل مستقرة تحت تغيرات في معلمات RQA، مما يعزز قوة الأنماط غير الخطية الملاحظة. بشكل عام، يعزز هذا العمل الفهم لديناميات الدماغ الإبداعية ويضع الأساس للبحوث المستقبلية في علوم الأعصاب المعرفية وأنظمة دعم الإبداع.
مقدمة
تناقش مقدمة الورقة الطبيعة المعقدة للتصميم كعملية تكرارية، معقدة، وغير خطية تتكيف مع البيئات المتغيرة، كما أشار زينغ وتشينغ (1991) وزينغ (2001، 2015). تؤكد على أن التصميم يهدف إلى تحويل الحالات الحالية إلى نتائج مرغوبة، وهو مفهوم صاغه سايمون (1996). علاوة على ذلك، تعرف القسم الإبداع بأنه توليد حلول أصلية، فعالة، وغير متوقعة، كما وصفه رنكو ويجر (2012). يؤكد المؤلفون أن التصميم يلعب دورًا حاسمًا في المفهوم الأوسع للإبداع، مسلطين الضوء على أهميته في تعزيز حل المشكلات الابتكاري.
الطرق
يستعرض قسم “المواد والطرق” التصميم التجريبي والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، مما يضمن إمكانية تكرار التجارب. يصف قسم الطرق أيضًا البروتوكولات المتبعة لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتقييم النتائج.
قد تشمل المنهجيات الرئيسية تقنيات مثل الطيف الضوئي، الكروماتوغرافيا، أو الفحوصات الجزيئية، اعتمادًا على تركيز البحث. يبرز القسم أهمية الصرامة المنهجية والشفافية، مما يسمح بالتقييم النقدي والتحقق من النتائج المقدمة في الدراسة.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تحليلهم لمخططات التكرار (RPs) المستمدة من بيانات EEG عبر أربع حالات معرفية: IDG (توليد الأفكار)، IDE (تقييم الأفكار)، IDR (تنقيح الأفكار)، وRST (حالة الراحة). باستخدام تحليل تكرار الكمية (RQA)، استخرجوا 13 ميزة من RPs، محددين ست ميزات مهمة: الحتمية (DET)، إنتروبيا وقت التكرار (RTENT)، معدل التكرار (RR)، الطبقية (LAM)، الانتقالية (TRS)، ووقت الاحتجاز (TT). تم حساب هذه الميزات بمعلمات محددة، بما في ذلك تأخير زمني ($\tau = 10$ عينات) وأبعاد تضمين ($m = 6$)، مما يضمن تحليلًا قويًا من خلال استبعاد النقاط المرتبطة ذاتيًا.
تكشف النتائج عن ديناميات تكرارية مميزة مرتبطة بكل حالة معرفية، مع اختلافات ملحوظة في توزيع الميزات كما هو موضح في مخططات الصندوق. على سبيل المثال، يظهر كل من IDG وIDE، المرتبطين بالتفكير المتباين، قيم وسائط مشابهة عبر معظم الميزات، بينما يظهر IDR تباينًا أكبر، مما يشير إلى تحول نحو التفكير التقييمي. تدعم النتائج الفرضيات التي تفيد بأن إبداع التصميم يتميز بديناميات دماغية معقدة، غير خطية، وتكرارية، حيث تميز الميزات المحددة من RQA بفعالية بين الحالات المعرفية. بشكل عام، يبرز التحليل الطبيعة المعقدة للعمليات العصبية المعنية في التصميم الإبداعي، مسلطًا الضوء على أهمية التكرار كعلامة رئيسية للنشاط المعرفي.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على الديناميات المعقدة لإبداع التصميم من خلال أطر نظرية مختلفة والتحقيقات التجريبية. تؤكد منطق التصميم التكراري لزينغ وتشينغ على التطور المتداخل لبيانات المشكلة، المعرفة الميدانية، والحلول، مما يشير إلى أن التفكير التصميمي هو بطبيعته تكراري. يتم دعم ذلك بشكل أكبر من خلال نماذج غير خطية تصور ثلاثية المصمم-المنتج-البيئة كنظام فوضوي، حساس للظروف الأولية وقادر على الانتقالات المفاجئة. تعزز النظريات التكميلية، مثل نظرية C-K والأنظمة المعقدة التكيفية، الفكرة القائلة بأن إبداع التصميم هو عملية تكرارية ومستقرة، تتميز بالتذبذب المستمر بين الحالات المنظمة وغير المنظمة.
يتناول القسم أيضًا النماذج النفسية التي تؤطر الإبداع كتفاعل دينامي يتأثر بالعوامل المعرفية، العاطفية، والظرفية، ومع ذلك لا تتعمق هذه النماذج في الأسس النظامية أو العصبية المعرفية للتفكير التصميمي. بدأت الأبحاث العصبية المعرفية، وخاصة من خلال تخطيط الدماغ الكهربائي (EEG)، في ربط ديناميات الدماغ بالنماذج النظرية للإبداع. أظهرت الدراسات الحديثة التي تستخدم EEG والتعلم الآلي وعودًا في التنبؤ بالأداء الإبداعي وفهم العلاقات العصبية لحالات معرفية مختلفة أثناء مهام التصميم. ومع ذلك، يعتمد معظم الأبحاث الحالية على طرق خطية، والتي قد تتجاهل الديناميات المعقدة وغير الخطية المتأصلة في العمليات الإبداعية. تهدف الدراسة الحالية إلى سد هذه الفجوات من خلال تطبيق تحليل تكرار الكمية (RQA) على بيانات EEG التي تم جمعها خلال مراحل مختلفة من إبداع التصميم، مما يكشف عن الديناميات العصبية التكرارية التي تكمن وراء الإدراك الإبداعي ويقدم إطار عمل جديد لفهم إبداع التصميم من منظور عصبي معرفي.
القيود
تتعدد قيود إطار عمل EEG القائم على RQA المقترح لالتقاط ديناميات الدماغ المتعلقة بإبداع التصميم. بينما حققت الدراسة أداء تصنيف كبير، فإن قابليتها للتعميم مقيدة بالعينة المتجانسة المكونة من 28 طالب دراسات عليا يمين اليد في الهندسة المشاركين في نوع واحد من المهام. يحد هذا التركيز الضيق من قابلية تطبيق النتائج عبر ديموغرافيات متنوعة، بما في ذلك العمر، الثقافة، والملفات المعرفية. بالإضافة إلى ذلك، قد يكون عدم التوازن بين الجنسين داخل العينة قد أثر على التباين العصبي، وقد تكون العوامل المربكة المحتملة مثل تعب المشاركين ومستويات الخبرة في التصميم المتفاوتة قد أثرت على الاستجابات العصبية الملاحظة. يجب أن تهدف الأبحاث المستقبلية إلى تجنيد عينات أكبر وأكثر تنوعًا ودمج مقاييس نفسية لتوضيح العلاقة بين التعقيد العصبي والسمات الإبداعية.
علاوة على ذلك، يمثل استخدام الدراسة لنموذج TTCT-F المعدل، بينما يكون فعالًا في محاكاة جوانب عملية التصميم، نموذجًا مبسطًا بدلاً من تحليل طويل الأمد شامل. تظل التفسير العصبي الفسيولوجي المباشر لميزات RQA قيدًا، مما يتطلب مزيدًا من الاستكشاف للآليات البيولوجية الكامنة وراء هذه الخصائص التكرارية. لتعزيز قوة الإطار، يجب أن تأخذ التحقيقات المستقبلية في الاعتبار دمج مقاييس EEG إضافية، مصنفات تعلم آلي متقدمة، وإشارات حيوية تكميلية في بيئات صالحة بيئيًا. سيساعد معالجة هذه القيود في تحسين الإطار، وزيادة قابليته للتعميم، وتوسيع تطبيقه في السيناريوهات الواقعية، خاصة في سياق تطبيقات واجهة الدماغ-الكمبيوتر في الوقت الحقيقي.
DOI: https://doi.org/10.1017/dsj.2026.10050
Publication Date: 2026-01-01
Author(s): Morteza Zangeneh Soroush et al.
Primary Topic: Creativity in Education and Neuroscience
Overview
This research investigates the neurocognitive processes underlying design creativity through an experimental study utilizing EEG signals. The study identifies four cognitive states—idea generation (IDG), idea evolution (IDE), rating process (IDR), and rest mode (RST)—and employs Recurrence Quantification Analysis (RQA) to extract 13 significant features that distinguish these states. Statistical analyses, supported by EEG topography maps, reveal complex recursive dynamics primarily in the frontal, parietal, and central brain regions. The classification of cognitive states using six machine learning models achieved high performance metrics, including an average accuracy of 96.23% and a kappa value of 93.56%, confirming the robustness of the findings.
The study establishes a reliable EEG-based framework that captures the dynamic transitions across the cognitive states of design creativity, ensuring ecological validity through loosely controlled tasks adapted from the modified Torrance Test of Creative Thinking (TTCT-F). The extracted RQA features reflect complex neural behaviors, revealing distinct activation patterns and supporting recursive models of design cognition. Sensitivity analyses indicate that the significant features remain stable under variations in RQA parameters, reinforcing the robustness of the nonlinear patterns observed. Overall, this work advances the understanding of creative brain dynamics and lays the groundwork for future research in cognitive neuroscience and creativity-support systems.
Introduction
The introduction of the paper discusses the intricate nature of design as a recursive, complex, and nonlinear process that adapts to changing environments, as noted by Zeng and Cheng (1991) and Zeng (2001, 2015). It emphasizes that design aims to transform existing situations into desired outcomes, a notion articulated by Simon (1996). Furthermore, the section defines creativity as the generation of original, effective, and unexpected solutions, as described by Runco and Jaeger (2012). The authors assert that design plays a crucial role in the broader concept of creativity, highlighting its significance in fostering innovative problem-solving.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methods section also describes the protocols followed for data collection, including any statistical analyses performed to evaluate the results.
Key methodologies may include techniques such as spectrophotometry, chromatography, or molecular assays, depending on the research focus. The section emphasizes the importance of methodological rigor and transparency, allowing for critical assessment and validation of the findings presented in the study.
Results
In this section, the authors present the results of their analysis of recurrence plots (RPs) derived from EEG data across four cognitive states: IDG (Idea Generation), IDE (Idea Evaluation), IDR (Idea Refinement), and RST (Resting State). Using Recurrence Quantification Analysis (RQA), they extracted 13 features from the RPs, identifying six significant features: Determinism (DET), Recurrence Time Entropy (RTENT), Recurrence Rate (RR), Laminarity (LAM), Transitivity (TRS), and Trapping Time (TT). These features were computed with specific parameters, including a time delay ($\tau = 10$ samples) and an embedding dimension ($m = 6$), ensuring robust analysis by excluding autocorrelated points.
The findings reveal distinct recursive dynamics associated with each cognitive state, with notable differences in feature distributions as illustrated in box plots. For instance, IDG and IDE, both linked to divergent thinking, exhibit similar median values across most features, while IDR shows greater variability, indicating a shift to evaluative thinking. The results support the hypotheses that design creativity is characterized by complex, nonlinear, and recursive brain dynamics, with the identified RQA features effectively distinguishing between cognitive states. Overall, the analysis underscores the intricate nature of neural processes involved in creative design, highlighting the importance of recursion as a key marker of cognitive activity.
Discussion
The discussion section of the paper highlights the intricate dynamics of design creativity through various theoretical frameworks and empirical investigations. Zeng and Cheng’s recursive logic of design emphasizes the interdependent evolution of problem statements, domain knowledge, and solutions, suggesting that design reasoning is inherently recursive. This is further supported by nonlinear models that depict the designer-product-environment triad as a chaotic system, sensitive to initial conditions and capable of abrupt transitions. Complementary theories, such as C-K theory and complex adaptive systems, reinforce the notion that design creativity is a recursive and metastable process, characterized by continuous oscillation between structured and unstructured states.
The section also addresses psychological models that frame creativity as a dynamic interaction influenced by cognitive, emotional, and situational factors, yet these models do not delve into the systemic or neurocognitive underpinnings of design reasoning. Neurocognitive research, particularly through electroencephalography (EEG), has begun to link brain dynamics with theoretical models of creativity. Recent studies employing EEG and machine learning have shown promise in predicting creative performance and understanding the neural correlates of different cognitive states during design tasks. However, the majority of existing research relies on linear methods, which may overlook the complex, nonlinear dynamics inherent in creative processes. The present study aims to bridge these gaps by applying Recurrence Quantification Analysis (RQA) to EEG data collected during various phases of design creativity, thereby uncovering the recursive neural dynamics that underpin creative cognition and offering a novel framework for understanding design creativity from a neurocognitive perspective.
Limitations
The limitations of the proposed RQA-based EEG framework for capturing brain dynamics related to design creativity are multifaceted. While the study achieved significant classification performance, its generalizability is constrained by the homogeneous sample of 28 right-handed engineering graduate students engaged in a single task variant. This narrow focus limits the applicability of findings across diverse demographics, including age, culture, and cognitive profiles. Additionally, the gender imbalance within the sample may have influenced neural variability, and potential confounding factors such as participant fatigue and varying levels of design expertise could have affected the observed neural responses. Future research should aim to recruit larger, more diverse samples and incorporate psychometric measures to elucidate the relationship between neural complexity and creative traits.
Moreover, the study’s use of a modified TTCT-F paradigm, while effective in simulating aspects of the design process, represents a simplified model rather than a comprehensive longitudinal analysis. The direct neurophysiological interpretation of RQA features remains a limitation, necessitating further exploration of the biological mechanisms underlying these recursive properties. To enhance the framework’s robustness, future investigations should consider integrating additional EEG metrics, advanced machine learning classifiers, and complementary biosignals in ecologically valid settings. Addressing these limitations will refine the framework, improve its generalizability, and expand its applicability to real-world scenarios, particularly in the context of real-time brain-computer interface applications.