Вплив великих мовних моделей (LLM) на підходи до визначення поняття креативності
DOI:
https://doi.org/10.63437/3083-6433-2025-2(35)-17Ключові слова:
креативність, великі мовні моделі, дивергентне мислення, конвергентне мислення, штучний інтелектАнотація
У статті здійснено комплексний теоретико-аналітичний аналіз впливу великих мовних моделей (large language models, LLM) на сучасні підходи до визначення поняття креативності. Дослідження ґрунтується на класичних психологічних, філософських і соціокультурних теоріях творчості, зокрема на концепції дивергентного та конвергентного мислення, а також на розмежуванні P- та H-креативності. Показано, що використання великих мовних моделей може суттєво підвищувати показники плинності ідей та продуктивності творчої діяльності, водночас створюючи ризики гомогенізації мислення, зниження автономної креативності та трансформації уявлень про авторство творчого результату. Обґрунтовано, що традиційні психометричні методики оцінювання креативності потребують методологічного перегляду в умовах людино-машинної взаємодії. Окреслено напрями подальших досліджень, пов’язані з адаптацією теоретичних моделей креативності до реалій застосування штучного інтелекту в освіті та науці.
Кількість завантажень статті
Посилання
Використані літературні джерела
1. Guilford J. P. The nature of human intelligence. New York: McGraw-Hill, 1967. 538 p.
2. Torrance E. P. Torrance tests of creative thinking. Lexington, MA: Scholastic Testing Service, 1974. 79 p.
3. Boden M. A. The creative mind: Myths and mechanisms. London: Routledge, 2004. 360 p. DOI: https://doi.org/10.4324/9780203508527
4. Bender E. M. et al. On the dangers of stochastic parrots. Proceedings of the ACM Conference on Fairness, Accountability, and Transparency, 2021. P. 610–623. DOI: https://doi.org/10.1145/3442188.3445922.
5. Brynjolfsson E., McAfee A. The second machine age. New York: W. W. Norton & Company, 2014. 320 p.
6. Dell’Acqua F. et al. Navigating the jagged technological frontier. Harvard Business School Working Paper, 2023. 58 p.
7. Acemoglu D., Johnson S. Power and progress. New York: PublicAffairs, 2023. 560 p.
8. Mednick S. A. The associative basis of the creative process. Psychological Review, 1962. No. 69 (3), P. 220–232. DOI: https://doi.org/10.1037/H0048850.
9. Ji Z., Lee N., Frieske R., Yu T., Su D., Xu Y., Ishii E., Bang Y. J., Madotto A., & Fung P. Survey of Hallucination in Natural Language Generation. ACM Comput. Surv. 2023. 55, 12, Article 248, 38 p. DOI: https://doi.org/10.1145/3571730.
10. Guilford J. P. Creativity. American Psychologist, 1950. No. 5 (9). P. 444–454. DOI: https://doi.org/10.1037/h0063487
11. Mozannar H. et al. The impact of AI assistance on human confidence. arXiv, 2024. DOI: https://doi.org/10.48550/arXiv.2508.16628.
12. OpenAI. GPT-4 Technical Report. arXiv, 2023. DOI: https://doi.org/10.48550/arXiv.2303.08774.
13. Searle J. R. Minds, brains, and programs. Behavioral and Brain Sciences, 1980. 3(3), P. 417–424. DOI: https://doi.org/10.1017/S0140525X00005756.
14. Torrance E. P. Guiding creative talent. Englewood Cliffs, NJ: Prentice-Hall, 1962. 278 p. DOI: https://doi.org/10.1037/13134-000
References
1. Guilford, J. P. (1967). The nature of human intelligence. New York, 538 p.
2. Torrance, E. P. (1974). Torrance tests of creative thinking. Lexington, MA, 79 p.
3. Boden, M. A. (2004). The creative mind: Myths and mechanisms. London, 360 p. DOI: https://doi.org/10.4324/9780203508527
4. Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots. Proceedings of the ACM Conference on Fairness, Accountability, and Transparency, 610-623. DOI: 10.1145/3442188.3445922.
5. Brynjolfsson, E., & McAfee, A. (2014). The second machine age. New York, 320 p.
6. Dell’Acqua, F., et al. (2023). Navigating the jagged technological frontier. Harvard Business School Working Paper. Boston, 58 p.
7. Acemoglu, D., & Johnson, S. (2023). Power and progress. New York, 560 p.
8. Mednick, S. A. (1962). The associative basis of the creative process. Psychological Review, 69(3), 220-232. DOI: 10.1037/H0048850.
9. Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), Article 248, 38 p. DOI: 10.1145/3571730.
10. Guilford, J. P. (1950). Creativity. American Psychologist, 5(9), 444-454. DOI: https://doi.org/10.1037/h0063487
11. Mozannar, H., et al. (2024). The impact of AI assistance on human confidence. arXiv. DOI: https://doi.org/10.48550/arXiv.2508.16628.
12. OpenAI. (2023). GPT-4 technical report. arXiv. DOI: https://doi.org/10.48550/arXiv.2303.08774.
13. Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417-424. DOI: 10.1017/S0140525X00005756.
14. Torrance, E. P. (1962). Guiding creative talent. Englewood Cliffs, NJ, 278 p. DOI: https://doi.org/10.1037/13134-000
