(openPR) Kreativität ist nicht mehr nur dem Menschen vorbehalten: Es gibt künstliche Intelligenz, die Gedichte schreiben, Geschäftsideen entwickeln oder Kunstwerke schaffen kann. Viele Anwender nutzen mit riesigen Textmengen trainierte Sprachmodelle (LLMs) wie ChatGPT für schöpferische Kollaborationen: Die künstliche Intelligenz liefert Ideen und Vorschläge, während der Mensch Anleitung, Kontext und Richtung vorgibt.
Während der kreative Output von LLMs in den letzten Jahren zunehmend ins Blickfeld der Wissenschaft gerückt ist, ist der zugrundeliegende Prozess noch weitgehend unerforscht. Aus diesem Grund untersucht Surabhi S. Nath, Forscherin am Max-Planck-Institut für biologische Kybernetik in Tübingen, wie bei LLMs Kreativität entsteht und inwiefern ihre schöpferische Herangehensweise mit der von Menschen vergleichbar ist.
Flexible und beharrliche Strategien
Dabei konzentrierte sich Nath auf ein Merkmalspaar, das sich in der psychologischen Kreativitätsforschung bewährt hat: Flexibilität und Beharrlichkeit. An einem Beispiel erläutert: Bei der Aufgabe, möglichst viele Tiere aufzuzählen, könnten Menschen mit einem beharrlichen Ansatz zum Beispiel systematisch erst alle Haustiere nennen, danach Nutztiere, dann Vögel und so weiter, während diejenigen mit einem flexibleren Ansatz häufig zwischen den Kategorien hin- und herwechseln. „Der Kompromiss zwischen der Suche in der Breite und in der Tiefe, zwischen der Erkundung neuer Möglichkeiten und der Nutzung bereits vorhandener Ideen ist für jedes kreative Unterfangen von entscheidender Bedeutung“, kommentiert Nath.
Um zu überprüfen, welche dieser Strategien Menschen und verschiedene LLMs verwenden, führten Nath und ihre Kollaborationspartner klassische psychologische Kreativitätstests durch. Dabei müssen zum Beispiel alternative Verwendungen für einen Backstein gefunden werden, etwa als Schemel oder als Briefbeschwerer. Unerwartet für das Team war, dass die Herangehensweisen von Menschen und Maschinen sich sehr ähneln und beide Gruppen sowohl flexible als auch beharrliche Strategien verwenden.
Bei jeder der Aufgaben blieben die Sprachmodelle konsequent entweder bei einem flexiblen oder beharrlichen Ansatz, wechselten aber zwischen den Aufgaben häufiger als die menschlichen Versuchspersonen die Strategie. Darüber hinaus führte Flexibilität bei LLMs zu kreativeren Ergebnissen als Beharrlichkeit, während beim Menschen beide Methoden zu ähnlichen Resultaten führten.
Verbesserte Mensch-Maschine-Kollaboration
Nath glaubt, dass diese Ergebnisse den Weg für eine effektivere Zusammenarbeit ebnen: Beharrliche Menschen könnten von einem flexiblen LLM als Sparringspartner profitieren und umgekehrt. Weitere Forschungen zum schöpferischen Prozess von Menschen und Maschinen könnten auch Hinweise darüber geben, wie Kreativität erlernt werden kann, so die Wissenschaftlerin.
Ob die Ergebnisse auch auf andere gestalterische Aufgaben übertragbar sind, bleibt abzuwarten. „Natürliche Umgebungen sind viel komplexer und schwieriger zu untersuchen“, so Nath. „Der nächste logische Schritt könnte sein, Kreativität in Spielen zu untersuchen: Sie bieten ein reichhaltigeres Szenario, sind aber noch kontrollierbar.“
wissenschaftliche Ansprechpartner:
Surabhi S. Nath
Max-Planck-Institut für biologische Kybernetik
Max-Planck-Ring 8-14
72076 Tübingen
Originalpublikation:
Nath SS, Dayan P, Stevenson C: Characterising the Creative Process in Humans and Large Language Models. International Conference on Innovative Computing and Cloud Computing, 2024. DOI: 10.48550/arXiv.2405.00899
