A Framework for Collaborating a Large Language Model Tool in Brainstorming for Triggering Creative Thoughts
R.B. Annis School of Engineering(R.B.安尼斯工程学院);University of Indianapolis(印第安纳波利斯大学);School of Journalism and Strategic Communication(新闻与战略传播学院);Ball State University(鲍尔州立大学)
本研究提出GPS框架,通过目标、提示和策略指导设计师与LLM工具协作,提升头脑风暴中生成想法的创造力,并改编TTCT测验验证其有效性。
2024-10-10 cs.AI cs.HC
A Systematic Review of Human-AI Co-Creativity
Vrije University Amsterdam(阿姆斯特丹自由大学);University of Twente(特文特大学)
该研究通过对62篇人机协同创造系统论文的系统性综述,提炼出6项系统设计关键维度与24项设计考量,明确高用户控制权、适配情境的主动系统的优势,同时指出早期创造阶段支持不足等现存缺口。
2025-06-27 cs.AI cs.HC
When ChatGPT is gone: Creativity reverts and homogeneity persists
Peking U.(北京大学)
通过七天实验和30天后续调查,研究发现ChatGPT虽能短期提升创造力,但其缺席后表现回落且内容同质化持续,警示生成式AI对长期创造力的束缚。
2024-01-11 cs.AI cs.CL cs.HC
A General Framework for Describing Creative Agents
University of Huddersfield(哈德斯菲尔德大学)
计算创造力是人工智能的一个子领域,专注于开发和研究创造性系统。很少有学术研究从理论的角度分析创意代理人的行为已经提出。所提出的框架是模糊的,难以利用;此外,这些作品都集中在为人类量身定制的创造力概念上。在本文中,我们介绍了一般的创造力,这扩展了传统的概念。一般创造力提供了一个正式的理论框架的基础,它允许一个单一地描述任何创造性的代理人,以及他们在创造性系统的社会中的行为。鉴于近年来开发的人工智能创意系统越来越多,了解它们如何相互影响以及如何衡量它们对人类社会的影响至关重要。特别是,在本文中,我们利用拟议的框架(一)确定不同形式的创造力;(二)描述一些典型的创造性代理人的行为,以及(三)分析人类和非人类的创造性系统共存的社会的动态。
2016-04-14 cs.AI
Measuring Creativity in the Age of Generative AI: Distinguishing Human and AI-Generated Creative Performance in Hiring and Talent Systems
Massachusetts Institute of Technology(麻省理工学院);Ignis AI
本文提出通过嵌入空间中的创意生成与转换来量化创造力,揭示AI环境下创意输出的双峰分布特征,强调在生成式AI时代,独特性而非流畅性成为衡量人类创造力的关键指标。
2026-04-10 cs.AI cs.CY cs.HC
AI and the Decentering of Disciplinary Creativity
Purdue University(普渡大学);Argonne National Laboratory(阿贡国家实验室)
本文基于创造力哲学研究,区分创造性方法与产物、提出学科创造力概念,通过数学案例表明AI相关方法可能取代并削弱学科创造力及科学探索价值。
2025-10-27 cs.AI
An Ontology of Co-Creative AI Systems
本文提出共同创造型AI系统的本体论,扩展Lubart本体论,新增三个AI类别,以明确人机责任划分与信息交换。
2023-10-11 cs.AI cs.HC
Creative Invention Benchmark
School of Interactive Computing(交互计算学院);Georgia Institute of Technology(佐治亚理工学院)
在本文中,我们提出了创造性发明基准(CrIB),2000个问题的基准评估计算创造力的一个特定方面。具体来说,我们解决组合p-创造力,发挥创造力时,有人结合现有的知识,以实现一个新的解决方案,以个人。我们提出了生成策略的五个问题类别的基准和一组初始基线。
2018-05-09 cs.AI
Towards creativity characterization of generative models via group-based subset scanning
IBM Research Africa(IBM非洲研究院);IBM Research(IBM研究院)
深度生成模型,如变分自编码器(VAE),已被广泛用于计算创造力的研究。然而,这样的模型不鼓励非分布生成以避免虚假样本生成,限制了它们的创造力。因此,将对人类创造力的研究纳入生成式深度学习技术中,可以使其输出更有吸引力,更像人类。当我们看到面向创造力研究的生成模型的出现时,迫切需要基于机器学习的替代指标来表征这些模型的创造性输出。我们提出了基于组的子集扫描,通过检测生成模型的隐藏层中的异常节点激活的子集来量化,检测和表征创造性过程。我们对原始、典型解码和“创造性解码”(Das et al 2020)图像数据集的实验表明,所提出的子集分数分布对于检测激活空间而不是像素空间中的创造性过程更有用。此外,我们发现,在数据集上,创意样本比正常或非创意样本生成更大的异常子集。在创造性解码过程中突出显示的节点激活与负责正常样本生成的节点激活不同。
2021-05-26 cs.AI cs.LG
LLMs can Realize Combinatorial Creativity: Generating Creative Ideas via LLMs for Scientific Research
Boston University(波士顿大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Delaware(特拉华大学);Acaciawood Preparatory Academy(阿卡西亚伍德预备学院)
针对LLMs生成科研创意忽视理论基础的问题,本研究提出基于组合创造性理论的框架,通过泛化级检索系统和结构化组合过程生成创意,在OAG-Bench数据集上较基线相似性得分提升7%-10%,推动AI辅助研究并深化机器创造性理论理解。
2025-02-17 cs.AI
Empirically Evaluating Creative Arc Negotiation for Improvisational Decision-making
Microsoft Research(微软研究院);Georgia Institute of Technology(佐治亚理工学院)
从众多的选择中选择动作,限制很少,这对于即兴创作和共同创造至关重要。我们以前的工作提出了创造性弧谈判来解决这个问题,即,选择行动遵循作者定义的“创造性弧线”或轨迹,而不是对潜在行动的新颖性、意外性和质量的估计。CARNIVAL代理体系结构演示了这种方法,用于在Robot Improv Circus安装中从Improv剧院玩道具游戏。本文通过两项众包观察者研究和一项即兴实验室研究评估了CARNIVAL的创意弧谈判经验。研究重点是被试在绩效中识别创造性弧的能力,以及与随机选择基线相比,他们对创造性弧谈判的偏好。我们的研究结果表明,经验,观察员成功地确定了创造性的弧线表演。在主体创造力和逻辑连贯性方面,两组人都更喜欢创造性弧谈判,而观察者也更喜欢。
2021-06-05 cs.AI cs.HC
Individual Gain, Collective Loss: Metacognitive Adaptation in AI-Assisted Creativity
Anna Mikeda(安娜·米凯达)
本研究提出选择性元认知适应机制,解释AI为何提升个体创造力却降低集体多样性,并构建六种元认知能力的分类框架。
2026-06-04 cs.AI cs.HC
Improving User Experience with FAICO: Towards a Framework for AI Communication in Human-AI Co-Creativity
Towson University(陶森大学);University of the Arts London(伦敦艺术大学)
本文基于107篇论文的系统综述,提出了AI通信设计框架FAICO,并将其转化为设计卡片和配置工具,以指导共创AI的通信设计并提升用户体验。
2025-04-03 cs.AI cs.HC
Design-Driven Requirements for Computationally Co-Creative Game AI Design Tools
Northeastern University(东北大学);University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校)
游戏AI设计师必须管理AI角色、游戏世界和玩家之间的复杂交互,同时实现他们的设计愿景。计算协同创造工具可以帮助他们,但首先,人工智能和人机交互研究人员必须收集需求并确定设计策略,以构建有效的协同创造工具。在这项工作中,我们提出了一个参与式的设计研究,分类和分析游戏AI设计师的工作流程,目标和期望,这些工具。我们展示了游戏AI设计与合作创造工具设计之间的深层联系,并为未来的合作创造工具研究和开发提供了启示。
2021-07-29 cs.AI cs.HC
Generative artificial intelligence enhances creativity but reduces the diversity of novel content
UCL School of Management(伦敦大学学院管理学院);University of Exeter(埃克塞特大学)
本研究通过在线实验发现,生成式人工智能能提升作家(尤其是低创造力者)的故事创意质量,但会导致内容同质化,提示过度依赖GenAI可能带来多样性下降的后果。
2024-03-14 cs.AI cs.HC econ.GN
Explainable Computational Creativity
Monash University(莫纳什大学);University of London(伦敦大学);Goldsmiths, University of London(伦敦大学金史密斯学院)
在计算创造力(CC)领域,人类与系统的协作通常限于浅层交互,其中系统和人类的创造性过程都是孤立进行的,没有用户的任何(或很少)干预,也没有关于如何展开决策的任何讨论。富有成效的共同创作需要持续不断的互动,包括讨论想法,与以前/其他作品的比较,增量改进和修改等。这意味着为CC系统提供发言权,并在它们和它们的用户之间建立双向沟通渠道,以便它们能够:解释它们的流程和决策,支持它们的想法,以便它们的创意合作者认真考虑这些想法,并从这些讨论中学习,以进一步改进它们的创意流程。为此,我们提出了一套CC系统的设计原则,旨在支持与人类合作者进行更大的共同创造和协作。
2022-05-11 cs.AI cs.HC
Explaining Creative Artifacts
Salesforce Research(Salesforce研究院)
人类的创造力通常被描述为将关联元素组合成新形式的心理过程,但新兴的计算创造力算法可能不会以这种方式运行。在这里,我们开发了一个反问题的制定解构的产品组合和组合的创造力到关联链作为一种形式的事后解释,符合人类的创造性过程。特别是,我们的配方结构作为解决旅行商问题,通过关联元素的知识图谱。我们证明了我们的方法,使用一个例子来解释烹饪计算的创造力,有一个明确的语义结构,和两个例子中的语言生成,我们要么提取明确的概念,映射到一个知识图谱,或者我们考虑在词嵌入空间的距离。我们关闭铸造的长度最佳旅行推销员的路径作为衡量的创新性。
2020-10-14 cs.AI
ORIBA: Exploring LLM-Driven Role-Play Chatbot as a Creativity Support Tool for Original Character Artists
Computer Science Research Centre, Royal College of Art(皇家艺术学院计算机科学研究中心);Digital Media, School of Literature, Media, and Communication, Georgia Institute of Technology(佐治亚理工学院数字媒体系);Princeton University(普林斯顿大学);Digital Media, Georgia Institute of Technology(佐治亚理工学院数字媒体系);Division of Integrative Systems and Design, The Hong Kong University of Science and Technology(香港科学大学整合系统与设计 division);Industrial Design Department, College of Engineering, KAIST(韩国科学技术院工程学院工业设计系)
ORIBA通过大语言模型支持原创角色艺术家的创意过程,平衡AI辅助与创意自主权。
2025-12-14 cs.AI cs.HC
CreativeInstruct: Scalably Teaching LLMs to Balance Quality, Creativity, and Diversity
Columbia(哥伦比亚大学);UNC Chapel Hill(北卡罗来纳大学教堂山分校);University of Texas at Austin(德克萨斯大学奥斯汀分校)
该研究提出CreativeInstruct指令调优方法,通过注入[StartCreativity]跨度平衡LLM的质量、创造性与多样性,其在叙事生成中表现更优,还能提升强化学习任务性能。
2026-08-10 cs.AI cs.CL
Human in the Loop for Machine Creativity
Institute of Informatics, University of Warsaw(华沙大学信息学研究所)
人工智能(AI)越来越多地用于合成视觉,文本和音频。这些基于人工智能的作品,通常来自神经网络,正在进入主流市场,如数字绘画,歌曲,书籍等。我们将现有和未来的人在回路(HITL)方法概念化,用于创造性应用,并开发更具表现力,细致入微和多模态的模型。特别是,我们作为策展人和合作者的专业知识如何以交互的方式编码在AI模型中?我们研究和推测对模型,界面和机器创造力的长期影响。我们对人工智能艺术的选择、创作和解释本质上包含了我们的情感反应、文化和背景。因此,所提出的HITL可以帮助算法学习更难以编码或量化的创造性过程。我们设想多模态HITL过程,其中文本,视觉,声音和其他信息耦合在一起,对人类和环境进行自动分析。总的来说,这些HITL方法将增加人类与人工智能之间的互动,从而帮助未来的人工智能系统更好地理解我们自己的创造和情感过程。
2021-10-07 cs.AI cs.HC
Generative AI and Creativity: A Systematic Literature Review and Meta-Analysis
LMU Munich \& Munich Center for Machine Learning (MCML) Munich Bavaria Germany;LMU Munich \& Munich Center for Machine Learning (MCML)
通过元分析评估生成式AI对创造性任务表现的影响,发现GenAI与人类创造力无显著差异,但能显著增强人类创造力,同时会降低想法多样性,总体定位为支持而非替代人类创造力的增强工具。
2025-05-22 cs.AI cs.HC
What Shapes a Creative Machine Mind? Comprehensively Benchmarking Creativity in Foundation Models
Georgia Institute of Technology(佐治亚理工学院);Rutgers University(罗格斯大学);University of Illinois Chicago(伊利诺伊大学香槟分校)
针对现有基础模型创造力评估框架零散、缺乏理论依据的问题,提出基于社会科学U-O-S标准、区分聚合与发散创造力的C^2-Eval基准,实验分析了主流模型的创造能力权衡,为创意AI研究提供有效评估工具。
2025-10-05 cs.AI cs.CL
A Machine Learning Approach for Evaluating Creative Artifacts
IBM Research India(IBM印度研究院)
在理解人类的创造力和定义衡量创造力的方法方面已经做了很多工作。这是必要的,主要是因为有一个客观和自动的方式量化创造性的文物。在这项工作中,我们提出了一个基于回归的学习框架,它考虑到定量的基本标准,如新颖性,影响力,价值和意外的创造力。就像大多数创意领域的情况一样,创意并没有明确的基础事实。我们提出的学习框架适用于所有创意领域;但由于观众和评论家评分的可用性,我们在从IMDB和烂番茄创建的电影数据集上对其进行评估,这些评分可用作创意的代理地面事实标签。我们从以下几个方面报告了我们实验中令人鼓舞的结果和观察结果:1)创意标准与评论家评分的相关性,2)包含各种创意标准的电影评级预测的改进,以及3)创意电影的识别。
2017-07-18 cs.AI cs.LG stat.ML
Steering Large Language Models to Evaluate and Amplify Creativity
Intel Labs(英特尔实验室)
针对大语言模型创造力评估能力不足的问题,本研究通过提取模型生成乏味与创意内容时的内部状态差异,构建了契合人类判断的创造力衡量方法,还可用于提升生成文本的创意性。
2024-12-08 cs.AI cs.CL
A Big Data Approach to Computational Creativity
IBM Thomas J. Watson Research Center(IBM托马斯·J·沃森研究中心)
计算创造力是人工智能的一个新兴分支,它将计算机置于创造过程的中心。从广义上讲,创造力包括产生许多想法的生成步骤和确定最佳想法的选择步骤。然而,许多以前的计算创造力的尝试都无法实现有效的选择步骤。这项工作展示了如何将来自创意领域和享乐心理物理学的数据源与大数据分析技术结合在一起,可以克服这一缺点,从而产生一个可以产生新颖和高质量创意作品的系统。我们的数据驱动方法通过我们开发和部署的烹饪食谱和菜单的计算创造力系统来展示,该系统可以通过人机交互自动或半自动操作。我们还评论了计算创造力中数据的数量、速度、多样性和准确性。
2013-11-05 cs.AI cs.CY cs.HC
Can an AI System Be Creative? A Critical Perspective from Art and Engineering
从艺术与工程双重视角探讨人工智能系统能否有创造力,借鉴博登框架指出其在变革式创造力上的局限及缺乏意外性机制等问题,提出人机创造性协作模型并以实验说明。
2026-07-24 cs.AI cs.HC cs.MM
Telling Creative Stories Using Generative Visual Aids
MIT Media Lab(麻省理工学院媒体实验室);Facebook AI Research(Facebook人工智能研究院);Georgia Institute of Technology(佐治亚理工学院)
使用生成视觉算法创建的视觉艺术作品能否激发人类在讲故事方面的创造力?我们要求作家从一个开始的提示写创意故事,并为他们提供由生成式人工智能模型从同一提示创建的视觉效果。与对照组相比,使用视觉效果作为故事写作辅助的作家写出了更具创造性,原创性,完整性和可视化的故事,并且发现任务更有趣。在使用的生成算法(BigGAN,VQGAN,DALL-E,CLIPDraw)中,VQGAN是最受欢迎的。没有观看视觉效果的对照组在整合开始提示方面做得更好。研究结果表明,人工智能的跨模态输入可以有利于人类-人工智能共同创造中创造力的不同方面,但会阻碍收敛思维。
2021-10-27 cs.AI cs.HC
Characterising the Creative Process in Humans and Large Language Models
Max Planck Institute for Biological Cybernetics(马克斯·普朗克生物控制论研究所);University of Tübingen(蒂宾根大学);Max Planck School of Cognition(马克斯·普朗克认知科学学院);University of Amsterdam(阿姆斯特丹大学)
本文提出一种基于句子嵌入和语义相似度的自动化方法,分析人类与LLMs在替代用途任务中的创造性过程,发现LLMs在持续性与灵活性搜索路径上存在任务相关偏向,且更灵活的模型创造力得分更高。
2024-06-05 cs.AI cs.CL cs.HC
Beyond Input-Output: Rethinking Creativity through Design-by-Analogy in Human-AI Collaboration
College of Design and Innovation(设计与创新学院);Tongji University(同济大学)
本文通过类比设计方法,重新思考人机协作中的创造力问题,探讨其在创意产业、智能制造和教育服务中的应用,提出DbA作为中介技术促进创造力发展。
2026-02-10 cs.AI cs.HC
AI and the creative realm: A short review of current and future applications
University La Sapienza(罗马第一大学);IE University(IE大学)
本文综述AI在艺术创作中的应用,按艺术形式、语言和算法分类,并探讨意识、决策与伦理问题,以促进对AI创意应用的反思。
2023-06-01 cs.AI cs.HC
Can AI Be as Creative as Humans?
National University of Singapore(新加坡国立大学);Stanford University(斯坦福大学);Google DeepMind(谷歌DeepMind);Microsoft Research(微软研究院);Rutgers University(罗格斯大学);University of Pennsylvania(宾夕法尼亚大学);Columbia University(哥伦比亚大学)
本文提出相对创造力与统计创造力框架,理论证明AI若能充分拟合人类创作的条件数据,即可达到与人类创作者相当的创造力,并给出LLM评估与训练指导。
2024-01-25 cs.AI cs.CL
Has the Creativity of Large-Language Models peaked? An analysis of inter- and intra-LLM variability
Department , Organization , Street , Postcode , State , Country
本研究评估14个LLM的创造力,发现其未随时间提升且存在模型内变异性,仅少数响应达人类顶尖水平,强调需更细致评估框架及重视模型选择、提示设计与重复评估。
2025-04-10 cs.AI cs.CL cs.HC
Creative Agents: Simulating the Systems Model of Creativity with Generative Agents
Graduate School of Engineering Science, Osaka University, Osaka, Japan(大阪大学工学研究科);Artificial Intelligence Exploration Research Center, The University of Electro-Communications, Tokyo, Japan(电通大学人工智能探索研究中心);International Research Center for Neurointelligence (WPI-IRCN), The University of Tokyo, Tokyo, Japan(东京大学神经智能国际研究中心)
本研究用LLM驱动的虚拟智能体模拟创造力系统模型,对比孤立与多智能体场景,发现生成式智能体在该框架下更具创造力。
2024-11-26 cs.AI cs.MA
Seeing Differently: Modeling Interpretive Perspectives in Computational Creativity using a Four-World Framework
该研究提出基于四世界框架的计算方法建模解释视角,用三类角色评价1069件SemArt作品,发现视角差异影响创造性评估,支持创造性关系观,可提升协同创造系统的适配性。
2026-08-03 cs.AI cs.HC
Creativity and Markov Decision Processes
Aalto University(阿尔托大学);Helsinki Institute for Information Technology(赫尔辛基信息技术研究所);Queen Mary University of London(伦敦玛丽女王大学)
本文通过创造性系统框架,将Boden的创造力过程理论与马尔可夫决策过程形式化映射,分析MDP中可观察的创造性过程、异常与缺乏灵感,并提出映射选择质量标准。
2024-05-23 cs.AI
Creativity in AI: Progresses and Challenges
EPFL, Università della Svizzera italiana (USI)(苏黎世联邦理工学院、瑞士联合大学);EPFL(苏黎世联邦理工学院)
本文综述了AI在问题解决、语言、艺术和科学领域的创造力进展,指出最新模型虽擅长语言与艺术生成,但在抽象思维和组合性任务上仍面临多样性不足和幻觉等挑战,并呼吁过程导向的多维度评估及借鉴认知科学探索未来方向。
2025-06-29 cs.AI cs.CL
A Causality-aware Paradigm for Evaluating Creativity of Multimodal Large Language Models
Sun Yat-sen University(中山大学);Singapore Management University(新加坡管理大学);Harvard University(哈佛大学);Peng Cheng Laboratory(鹏城实验室)
本文提出因果感知的LoTbench框架,基于Oogiri游戏评估多模态LLM创造力,量化性能并可视化思维过程,发现与认知基准强相关,优于传统指标。
2025-02-23 cs.AI cs.HC
Design Creativity Bench: Measuring creativity in LLM-Generated UI
Kombai Inc.(Kombai公司)
本研究推出Design Creativity Bench基准,发现LLM生成UI设计的原创性、创意范围显著低于人类,恰当性略高于人类,但重复性远高于人类,需针对性改进。
2026-10-15 cs.AI cs.HC
Understanding Design Fundamentals: How Synthesis and Analysis Drive Creativity, Resulting in Emergence
本文介绍了一个正在进行的跨学科研究的结果,开发一个计算理论的创造力工程设计。人类的设计活动进行了调查,流行的计算机辅助设计方法进行了检查。有人认为,符号学有可能合并和统一成一个基本的理论,是自然的解释和理解的计算机使用方面的各种设计方法。回顾哲学,心理学和认知科学的相关工作提供了创造力现象的一般和包容性的视野。代数符号学的基本概念,并解释设计方面。这是为了定义一个设计创造过程的模型,这被视为一个符号化的过程,在这个过程中,概念和它们的属性被表示为组织成系统的符号,它们被进化、混合和分析,从而导致新概念的发展。该模型使我们能够正式描述和调查的设计过程中的基本属性,即它的动态性和非决定性固有的创造性思维。一个稳定的创造性思维模式-类比和隐喻推理-被指定为展示建模方法的表达能力,并给出说明性的例子。发达的理论是用来澄清设计中出现的性质:它表明,虽然产品的紧急属性可能会影响其创造性的价值,出现可以简单地被视为一个副产品的创造性过程。结论部分总结了研究工作,指出了一些尚未解决的问题,并概述了未来工作的方向。
2006-05-25 cs.AI cs.CE cs.HC
Putting GPT-3's Creativity to the (Alternative Uses) Test
University of Amsterdam(阿姆斯特丹大学)
人工智能大语言模型已经(共同)产生了令人惊叹的书面作品,从报纸文章到小说和诗歌。这些作品符合创造力的标准定义:原创和有用,有时甚至是额外的惊喜元素。但是,设计用于预测下一个文本片段的大语言模型是否可以提供创造性的、开箱即用的响应,仍然可以解决手头的问题?我们对Open AI的生成式自然语言模型GPT-3进行了测试。它能为创造力研究中最常用的测试之一提供创造性的解决方案吗?我们评估了GPT-3的创造力吉尔福德的替代用途测试,并将其性能与先前收集的人类反应进行比较,这些反应包括专家对原创性,有用性和惊喜的反应,每组想法的灵活性以及基于响应和AUT对象之间的语义距离来测量创造力的自动化方法。我们的研究结果表明,总的来说,人类在创造性产出方面的表现优于GPT-3。但是,我们相信GPT-3赶上这一特定任务只是时间问题。我们讨论这项工作揭示了人类和人工智能的创造力,创造力测试和我们对创造力的定义。
2022-06-10 cs.AI cs.CL cs.HC
Enhancing Creativity in Large Language Models through Associative Thinking Strategies
MindAntix(明安替克斯公司);University of California Los Angeles(加州大学洛杉矶分校);Microsoft(微软公司)
本研究探索联想思维策略对大语言模型创造力的提升作用,针对vGPT-4在三个领域开展创意任务实验,证实该技术可显著提升其回复原创性,为LLMs创意能力增强提供新路径。
2024-05-09 cs.AI cs.CL
Art or Artifice? Large Language Models and the False Promise of Creativity
Columbia University(哥伦比亚大学);Salesforce AI Research(Salesforce AI研究院)
针对大语言模型创造力难以客观评估的问题,受TTCT启发提出TTCW测验,经人工评估发现LLM生成故事的创造力远低于专业作品,且LLM作为评估者与专家结果无正相关。
2024-03-08 cs.AI cs.CL cs.HC
Cooking Up Creativity: Enhancing LLM Creativity through Structured Recombination
The Hebrew University of Jerusalem(特拉维夫大学);Stanford University(斯坦福大学)
本文提出用 LLM 转换自然语言与结构化表示,并通过认知启发的结构重组提升创意生成,在烹饪任务中以 DishCOVER 显著优于 GPT-4o。
2025-09-27 cs.AI cs.CL cs.LG
Automating Creativity
National Taiwan University(国立台湾大学);University of Maryland(马里兰大学)
针对当前生成式AI创造力不足的问题,本文结合强化学习与计算创造力研究,提出提示-响应-奖励三重工程框架,从预期、可观测、持续提升三个维度赋能GenAI不同层级的创造性应用。
2024-05-11 cs.AI
Automated Creativity Evaluation for Large Language Models: A Reference-Based Approach
University of Science and Technology of China(中国科学技术大学);MetastoneTechnology(metastone技术)
针对LLM创造力评估难题,本文提出基于TTCW的参考式李克特评分方法,将生成文本与高质量参考对比,显著提升与人类评估的一致性,成对准确率达0.75(+15%)。
2025-04-22 cs.AI cs.CL
Implementing feedback in creative systems: A workshop approach
Goldsmiths College, University of London(伦敦大学金史密斯学院);University of Kent(肯特大学)
人工智能的一个特殊挑战是创造力的计算建模和模拟。反馈和从经验中学习是创造过程的关键方面。在这里,我们研究如何使用社会模型在创造性系统中实现反馈。从创造性写作领域,我们借用作家工作坊的概念作为通过反馈学习的模式。作家工作坊鼓励使用规定的活动格式对一件创造性作品进行审查、讨论和辩论。我们提出了一个计算模型的作家研讨会的路线图纳入人工创造力系统的反馈。我们认为,作家工作坊设置描述了创作过程的解剖。我们支持我们的主张与案例研究,描述了如何实现作家工作坊模型的计算创造力系统。我们提出这项工作使用其他人可以遵循的模式,在自己的系统中实现类似的设计。最后,我们讨论了这个模型与人工智能其他方面的更广泛的相关性。
2015-05-26 cs.AI
Creative Preference Optimization
EPFL(苏黎世联邦理工学院);Università della Svizzera Italiana(瑞士联邦理工学院);Wesleyan University(韦斯利安大学);Pennsylvania State University(宾夕法尼亚州立大学)
本文提出创造性偏好优化(CrPO)方法,通过模块化地将多维度创造力信号注入偏好优化目标,并利用大规模人类偏好数据集MuCE训练模型,在保持输出质量的同时显著提升LLM生成内容的新颖性、多样性和惊喜感,超越GPT-4o等强基线。
2025-09-19 cs.AI cs.CL
Pencils to Pixels: A Systematic Study of Creative Drawings across Children, Adults and AI
Max Planck Institute for Biological Cybernetics(马克斯·普朗克生物控制论研究所);Max Planck School of Cognition(马克斯·普朗克认知学院);University of Tübingen(蒂宾根大学);University of Amsterdam(阿姆斯特丹大学)
针对不同智能体绘画视觉创造力量化问题,构建含儿童、成人及AI共1338幅作品的数据集,从风格与内容两方面分析差异,提出首个跨模态研究框架并发现专家与自动化评分的不一致。
2025-02-09 cs.AI cs.CV cs.HC
Fluid Transformers and Creative Analogies: Exploring Large Language Models' Capacity for Augmenting Cross-Domain Analogical Creativity
University of Maryland(马里兰大学);Temple University(天普大学)
本文通过三项研究系统评估LLM生成跨领域类比以辅助人类问题重构的效用与风险,发现其通常有帮助并能改变表述,但有害输出上限达25%。
2023-06-02 cs.AI cs.CL
Interactive Melody Generation System for Enhancing the Creativity of Musicians
Tokyo City University(东京城市大学)
本研究提出集成多个RNN模型的交互式旋律生成系统,可基于用户反馈适配创作意图,经不同背景作曲家实验验证能促进音乐创造力,为AI辅助作曲与协作艺术探索提供新工具。
2024-03-06 cs.AI cs.HC cs.SD
The societal and ethical relevance of computational creativity
University of Zurich(苏黎世大学);University of Malta(马耳他大学)
在本文中,我们提供了一个创造性的系统对个人和社会的价值的哲学帐户。我们用非常广泛的哲学术语来描述创造力,包括自然的,存在的和社会的创造性过程,如自然进化和创业精神,并解释为什么以这种方式理解的创造力有助于促进人类的长期福祉。然后,我们解释了为什么当前的主流人工智能往往是反创造性的,这意味着在人类的努力中使用这种类型的人工智能是有道德代价的,尽管涉及创造力的计算系统正在崛起。总之,有一种观点认为,伦理学应该更适合创造性的人工智能,这也可以与人工智能伦理学中提倡的其他价值观进行权衡,例如其可解释性和准确性。
2020-07-23 cs.AI econ.GN q-fin.EC
DeepMath-Creative: A Benchmark for Evaluating Mathematical Creativity of Large Language Models
School of Mathematical Sciences, Tongji University(同济大学数学科学学院)
本文提出数学创造力评估标准与DeepMath-Creative基准,系统评测主流LLM,发现最强模型仅在基础构造题上达70%,复杂开放题表现薄弱。
2025-05-13 cs.AI
Evaluating Creative Short Story Generation in Humans and Large Language Models
EPFL(苏黎世联邦理工学院);Idiap Research Institute(Idiap研究机构);University of Amsterdam(阿姆斯特丹大学);Università della Svizzera Italiana(瑞士意大利大学)
本文通过五句提示词故事任务,对60个LLM与60个人类进行多维度自动评估和人机评分,发现LLM语言风格复杂但新颖性、意外性和多样性不及人类,且非专家与LLM评分存在偏差。
2025-05-10 cs.AI cs.CL
IntElicit: Eliciting and Assessing Contextualized Creativity via Dialogue Policy Optimization
East China Normal University(华东师范大学);Shanghai Innovation Institute(上海创新研究院)
提出IntElicit框架,通过分解过程奖励机制优化对话策略,在交互中减少非创造性混淆因素,从而更有效地引出和评估情境化创造力。
2026-06-11 cs.AI cs.LG