Applying the neuroscience of creativity to creativity training
Notice bibliographique
Résumé
This article investigates how neuroscience in general, and neuroscience of creativity in particular, can be used in teaching "applied creativity" and the usefulness of this approach to creativity training. The article is based on empirical data and our experiences from the Applied NeuroCreativity (ANC) program, taught at business schools in Denmark and Canada. In line with previous studies of successful creativity training programs the ANC participants are first introduced to cognitive concepts of creativity, before applying these concepts to a relevant real world creative problem. The novelty in the ANC program is that the conceptualization of creativity is built on neuroscience, and a crucial aspect of the course is giving the students a thorough understanding of the neuroscience of creativity. Previous studies have reported that the conceptualization of creativity used in such training is of major importance for the success of the training, and we believe that the neuroscience of creativity offers a novel conceptualization for creativity training. Here we present pre/post-training tests showing that ANC students gained more fluency in divergent thinking (a traditional measure of trait creativity) than those in highly similar courses without the neuroscience component, suggesting that principles from neuroscience can contribute effectively to creativity training and produce measurable results on creativity tests. The evidence presented indicates that the inclusion of neuroscience principles in a creativity course can in 8 weeks increase divergent thinking skills with an individual relative average of 28.5%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».