Yapılan yeni bir çalışma, yaratıcılık denilen keşif süreçlerinin tüm dinamiklerini matematiksel araçlarla modellemeyi hedefliyor.
Nature Communications’ta yayınlanan yeni bir çalışma, yeni fikirlerin, keşiflerin dinamiklerini inceleyerek, mevcut unsurları nasıl birleştirerek yenilik yarattığımıza dair kalıpları ortaya koydu. Bu bulgular, insan yaratıcılığı ve inovasyon anlayışımızı kökten değiştirebilir.
Yenilikler, insan hayatının doğal bir parçası olarak iki şekilde ortaya çıkıyor. İlki, bir yerin, şarkının veya sanatçının ilk kez keşfedilmesi gibi bireysel düzeyde yaşanan yenilikler. İkinci tür ise tüm insanlık için yeni olan, teknolojik gelişmeler veya ilaç keşifleri gibi buluşlar.
Araştırmacılar, her iki tür yeniliğin nasıl ortaya çıktığını anlama amacıyla yola çıktı. Çalışmaya, Londra Queen Mary Üniversitesi’nden Prof. Vito Latora liderlik etti. Phys.org’un haberine göre Prof. Latora “Yaratıcılık ve yenilik her zaman ilgimi çekmiştir çünkü bunlar insan ilerlemesinin itici gücüdür. Bu çalışma, araştırma grubumun yaratıcılığı anlamaya yönelik teorik ve uygulamalı çalışmalarından sadece biri” ifadelerini kullandı.
Yenilikleri incelemenin en büyük zorluklarından biri, önceki araştırmaların genellikle bir unsurun ilk kez ortaya çıkmasına odaklanması olarak belirlendi. Örneğin, ilk kez farklı bir yemeği tatmak veya yeni bir yeri ziyaret etmek bu kategoriye giriyor. Ancak bu yaklaşım, yenilik yaratmanın önemli bir mekanizmasını göz ardı ediyor: Mevcut unsurları birleştirerek yeni şeyler üretmek.
Kelime gruplarını farklı şekillerde bir araya getirerek yeni şiirler veya hikayeler yazmak ya da müzik notalarını birleştirerek yeni bir şarkı bestelemek buna örnek olarak verilebilir. Bu tür yenilikler, daha yüksek düzeydeki yenilikler olarak adlandırılıyor.
Prof. Latora, “Çalışmamızda, ‘daha yüksek düzeyde yenilik’ adını verdiğimiz ve ilk kez iki veya daha fazla unsurun bir araya gelerek yeni bir kombinasyon oluşturduğu bir yenilik tanımı sunduk ve inceledik” dedi.
Bu kombinasyonların nasıl oluştuğunu simüle etmek için araştırmacılar, Kenar Güçlendirmeli Rastgele Yürüyüş ve Tetikleme (Edge-Reinforced Random Walk with Triggering – ERRWT) adını verdikleri bir model geliştirdi.
ERRWT Modeli
ERRWT modeli, rastgele yürüyüş olarak bilinen matematiksel bir modele dayanıyor. Bu modelde, sistemin evrimi, belirli zaman aralıklarındaki rastgele adımlara göre belirleniyor ve bir noktadan diğerine geçiş tamamen rastgele gerçekleşiyor.
Prof. Latora bu süreci açıklamak için “Keşfedebileceğimiz tüm unsurların ya da sahip olabileceğimiz tüm fikirlerin, birbirleriyle ilişkili olduğu bir ağın düğümleri olarak tanımlandığını düşünelim. Bu model, bireylerin mevcut bağlantılarla yetinmeyip, yeni bağlantılar oluşturarak keşif süreçlerini nasıl genişlettiğini simüle ediyor,” sözlerini kaydetti.
Yeni bağlantılar oluşturulduğunda buna kenar tetikleme, sık kullanılan kombinasyonların güçlenmesine ise kenar güçlendirme deniyor.
Araştırmacılar, ERRWT modelini test etmek için üç farklı veri seti üzerinde analiz yaptı:
- Müzik dinleme alışkanlıkları (Last.fm),
- Edebiyat ve kitap metinleri (Project Gutenberg),
- Bilimsel makaleler (Semantic Scholar).
Prof. Latora, “Bir şarkıyı ne kadar çok dinler veya iki şarkıyı birbiriyle ilişkilendirirsek, gelecekte bu şarkıyı ya da ilişkiyi tekrar etme olasılığımız o kadar artıyor. Aynı zamanda, yeni şarkılar veya yeni kombinasyonlar keşfetmek, bize yalnızca o an erişebildiğimiz yeni fırsat alanlarını açıyor” diye ekledi.
Elde edilen veriler, yeni kombinasyonların belirli matematiksel kalıplara göre ortaya çıktığını gösterdi. Bu süreçler, Heaps Yasası olarak bilinen bir güç yasasına göre ilerliyor. Bu yasa, zamanla nasıl yeni kombinasyonlar keşfedildiğini ölçmek ve tahmin etmek için kullanılıyor.
Araştırmacılar, farklı keşif süreçlerinin, aynı hızda yeni öğeler keşfetmesine rağmen çok farklı kombinasyonlar üretebileceğini tespit etti.
Örneğin, Last.fm verilerinde, kullanıcılar aynı oranda yeni şarkılar keşfetmelerine rağmen, bunları sıralama biçimlerinin büyük ölçüde değiştiği gözlemlendi. Edebiyat verisinde, yazarların genellikle yeni kelimeler icat etmek yerine, mevcut kelimeleri farklı şekillerde bir araya getirme eğiliminde olduğu belirlendi. Bilimsel makalelerde ise, özellikle başlıklarda daha yaratıcı kelime kombinasyonları kullanıldığı tespit edildi.
ERRWT modeli, ağ yapılarının ve keşif kalıplarının birlikte nasıl evrimleştiğini göstererek, güçlendirme (mevcut yolların pekiştirilmesi) ve tetikleme (yeni bağlantılar oluşturma) süreçlerinin, gerçek dünyadaki yeniliklerin ortaya çıkışını açıklamak için gerekli olduğunu ortaya koydu.
Bu yeni model, bireysel keşifler ile yenilikçi kombinasyonlar arasındaki bağı açıklayarak, yaratıcılık ve inovasyonu anlamak için yeni bir temel oluşturuyor.
Elde edilen bulgular, özellikle bilimsel keşiflerin nasıl ortaya çıktığını anlamamıza yardımcı olabilir ve eğitimde yaratıcılığı teşvik etmek için yeni yöntemler geliştirilmesine katkı sağlayabilir.
Kaynak: Nature Communications
