Predicción robusta de la capacidad

creativa individual de la
conectividad funcional del cerebro
Roger E. Beaty , Yoed N. Kenett , Alexander P. Christensen , Monica D.
Rosenberg , Mathias Benedek , Qunlin Chen , Andreas Fink , Jiang Qiu , Thomas R.
Kwapil , Michael J. Kaney Paul J. Silvia
PNAS 30 de enero de 2018 115 (5) 1087-1092; publicado antes de la impresión el 16
de enero de 2018 https://doi.org/10.1073/pnas.1713532115
1. Editado por Olaf Sporns, Indiana University, Bloomington, IN, y aceptado por el
miembro de la Junta Editorial Michael S. Gazzaniga 4 de diciembre de 2017
(recibido para revisión el 31 de julio de 2017)

Significado

La capacidad de las personas para generar ideas creativas es fundamental para el

progreso tecnológico y cultural. A pesar de los avances en la neurociencia de la
creatividad, el campo carece de claridad sobre si una arquitectura neuronal específica
distingue al cerebro altamente creativo. Usando métodos en la neurociencia de la red,
modelamos la capacidad de pensamiento creativo individual en función de la variación
en la conectividad funcional de todo el cerebro. Identificamos una red de cerebro
asociada con la capacidad creativa que comprende regiones dentro de los sistemas de
defecto, prominencia y ejecutivo, circuitos neuronales que a menudo funcionan en
oposición. A través de cuatro conjuntos de datos independientes, mostramos que la
capacidad de una persona para generar ideas originales se puede predecir de manera
confiable a partir de la fuerza de la conectividad funcional dentro de esta red,

Resumen
La capacidad de la gente para pensar creativamente es un medio principal del
progreso tecnológico y cultural, sin embargo, la arquitectura neuronal del cerebro
altamente creativo permanece en gran parte indefinida. Aquí, empleamos un método
recientemente desarrollado en el análisis funcional de imágenes cerebrales (modelado
predictivo basado en conectomas) para identificar una red cerebral asociada con una
capacidad altamente creativa, utilizando datos de imágenes de resonancia magnética
funcional (fMRI) adquiridos de 163 participantes involucrados en un clásico divergente
Tarea de pensamiento. En el nivel de comportamiento, encontramos una fuerte
correlación entre la capacidad de pensamiento creativo y el comportamiento creativo
autoinformado y los logros en las artes y las ciencias ( r= 0.54). En el nivel neuronal,
encontramos un patrón de conectividad cerebral funcional relacionado con la
capacidad de pensamiento altamente creativo que consiste en regiones frontales y
parietales dentro de los sistemas de cerebro de defecto, prominencia y ejecutivo. En
un análisis de validación cruzada sin interrupciones, mostramos que este modelo
neuronal puede predecir de manera confiable la calidad creativa de las ideas
generadas por los participantes novedosos dentro de la muestra. Además, en una
serie de análisis de validación externa que utilizan datos de dos muestras de IRMf de
tareas independientes y una gran muestra de RMF en estado de reposo sin tareas,
demostramos una predicción robusta de la capacidad de pensamiento creativo
individual desde el mismo patrón de conectividad cerebral. Los hallazgos revelan, por
lo tanto, una red de todo el cerebro asociada con una capacidad altamente creativa
compuesta de centros corticales dentro del defecto, la saliencia,

 conectome

 creatividad

 pensamiento divergente

 RMN

Los estudios de comportamiento y neuroimagen han comenzado a descubrir los

procesos cognitivos y neuronales que dan lugar a ideas novedosas y útiles ( 1 ). Una
importante investigación se ha centrado en caracterizar la variación en la capacidad de
pensamiento creativo, a menudo empleando evaluaciones de pensamiento divergente,
que miden la capacidad de las personas para generar soluciones a problemas abiertos,
como inventar nuevos usos para objetos ( 2 ). Debido a que la capacidad de
pensamiento divergente predice moderadamente los logros creativos del mundo real
en las artes y las ciencias ( 3), se piensa que tales evaluaciones basadas en
laboratorio proporcionan un índice confiable de capacidad creativa general. Sin
embargo, a pesar del progreso en la psicología y la neurociencia de la creatividad, el
campo aún carece de claridad sobre las características neurocognitivas que distinguen
al cerebro altamente creativo ( 4 ). Por lo tanto, la presente investigación pretende
descubrir si un perfil específico de conectividad cerebral caracteriza la capacidad de
pensamiento altamente creativo y determinar si la creatividad individual se puede
predecir de manera confiable a partir de la fuerza de la conectividad funcional dentro
de esta red.

Mediante el uso de imágenes de resonancia magnética funcional (IRMf), varios

estudios han identificado regiones cerebrales discretas que respaldan el desempeño en
tareas de creatividad verbal, en gran parte localizadas en cortezas frontoparietales y
frontotemporales involucradas en el control cognitivo y la recuperación de la memoria
semántica, respectivamente ( 5 , 6 ). Más recientemente, los investigadores han
adoptado nuevas técnicas en el análisis de datos de fMRI para examinar los patrones
coordinados de actividad neuronal en múltiples regiones del cerebro distribuidas (es
decir, conectividad funcional) durante varias tareas que evalúan la cognición creativa y
el rendimiento artístico, incluido el pensamiento divergente, la producción del lenguaje
figurado y la música. improvisación, composición poética y producción de artes
visuales ( 1). Este trabajo resalta la contribución de tres sistemas cerebrales a gran
escala que interactúan dinámicamente para respaldar el desempeño de tareas
creativas: la red de modo predeterminado, compuesta por regiones parietales
inferiores de la línea media corticales y posteriores; la red de control ejecutivo (o
frontoparietal), que consta de regiones parietales laterales frontales y frontales
anteriores; y la red de atención, formada por la ínsula bilateral y la corteza cingulada
anterior ( 7 ). Sobre la base de las teorías de proceso dual de la cognición creativa
( 8 ), que enfatizan los procesos de generación y evaluación de ideas, un modelo
reciente de red cerebral sostiene que la red predeterminada apoya la generación de
ideas y la red ejecutiva apoya la evaluación de ideas ( 1 , 9), consistentes con sus
roles establecidos en simulación mental y cognición ejecutiva, respectivamente
( 7 ). Además, la red de atención, que contribuye a la detección de estímulos
relevantes para el comportamiento y facilita las transiciones dinámicas entre los
sistemas predeterminado y ejecutivo ( 10 ), puede identificar ideas candidatas
derivadas de procesos generativos dentro de la red predeterminada y reenviar dicha
información a sistemas ejecutivos para un orden superior procesamiento ( 9 ).

Una investigación reciente sobre la conectividad funcional durante el pensamiento

divergente ( 11 ) informó un acoplamiento entre las regiones predeterminadas y
prominentes que precedió al acoplamiento entre las regiones ejecutivas y
predeterminadas, lo que posiblemente refleja cambios dinámicos en la generación y
evaluación de ideas a lo largo del tiempo. Además, los participantes que produjeron
respuestas más originales en una tarea de pensamiento divergente mostraron una
mayor eficiencia global (es decir, un número menor de caminos necesarios para
atravesar un par dado de regiones cerebrales) dentro de una red compuesta de nodos
de red de defecto, prominencia y ejecutivo. Este patrón de conectividad funcional se
ha observado en varios contextos de tareas que requieren la producción de ideas
creativas, incluidos los estudios con artistas profesionales dedicados a tareas
específicas del dominio en el escáner ( 12). El acoplamiento funcional de estos
sistemas a gran escala es particularmente notable a la luz de trabajos anteriores que
informaron una relación negativa o "anticorrelacionada" entre las redes
predeterminadas y ejecutivas durante la IRMf en estado de reposo ( 13 ) sin tareas,
así como varios paradigmas basados en tareas , incluido el hallazgo bien documentado
de la desactivación de la red predeterminada durante tareas cognitivas ejecutivas
exigentes ( 14 ).

En la presente investigación, planteamos la hipótesis de que la variación individual en

la capacidad de participar simultáneamente en los sistemas cerebrales
predeterminados, ejecutivos y de saliencia puede proporcionar un marcador
neurofisiológico de la capacidad de pensamiento creativo. Probamos esta hipótesis en
una muestra de 163 participantes comprometidos en una tarea de pensamiento
creativo durante la resonancia magnética funcional, y empleamos modelos predictivos
basados en conectomas (cpm), un método desarrollado recientemente para predecir
aspectos del comportamiento humano (por ejemplo, habilidades cognitivas) a partir de
patrones de Conectividad funcional de todo el cerebro ( 15 ⇓ - 17 ): para examinar si
la capacidad de pensamiento creativo se puede predecir de manera confiable a partir
del patrón único de conectividad cerebral de un individuo. El poder predictivo de los
cpm se ha demostrado recientemente en estudios de inteligencia fluida (15 ) y
atención sostenida ( 18 ), que revela una predicción confiable de estas variables de
comportamiento en los participantes cuyos datos no se usaron en la construcción del
modelo ( 16). Aquí, nos propusimos descubrir un "conectoma creativo", una red de
todo el cerebro asociada con la capacidad de pensamiento creativo, y realizar un
análisis de validación cruzada sin salida (es decir, validación interna) para probar si la
solidez de la conectividad funcional dentro de esta red puede predecir de manera
confiable la capacidad creativa en nuevos participantes dentro de este conjunto de
datos. Para evaluar más a fondo el poder predictivo de este modelo neural, realizamos
tres análisis de validación externa utilizando los datos de fMRI de tarea y de fMRI en
estado de reposo obtenidos de dos laboratorios diferentes y probamos si la solidez de
la conectividad funcional dentro de este conectoma puede predecir el comportamiento
creativo en muestras independientes .

Resultados
Definición de red y neuroanatomía.
Los datos de imágenes funcionales se adquirieron cuando los participantes
completaron una tarea de pensamiento creativo divergente clásico, donde se les
presenta a los participantes una pista de objetos y se les exige que generen un uso
inusual y creativo para ellos ( Materiales y Métodos ). Cuatro evaluadores
capacitados evaluaron la calidad creativa de las respuestas producidas durante la tarea
fMRI, así como dos tareas de pensamiento divergente completadas fuera del escáner,
en una escala de cinco puntos ( 19 ). Usando el modelado de variables latentes ( Fig.
S1 ), encontramos que los puntajes de creatividad se correlacionaron fuertemente con
el comportamiento creativo autoinformado y los logros en las artes y las ciencias
[ r (161) = 0.54, P <0.001] —consistente con el trabajo pasado ( 20): Sugiriendo que
estas puntuaciones reflejaban un marcador ecológicamente válido de capacidad
creativa.

Se construyeron redes funcionales de cerebro completo para cada participante

mediante la extracción y correlación de la señal dependiente del nivel de oxígeno en
sangre (BOLD, por sus siglas en inglés) relacionada con la tarea de 268 regiones
cerebrales ( 21 ). Para identificar los bordes de la red (es decir, las conexiones
funcionales) relacionadas con la capacidad de pensamiento creativo, correlacionamos
todos los bordes en esta red con los puntajes de creatividad individuales extraídos a
través del modelado de variables latentes y aplicamos un umbral estadístico
( P <0.01) para conservar los bordes más significativos en el Matrices de conectividad
( 15 , 16). Este análisis reveló 224 bordes que se correlacionaron positivamente con
la capacidad creativa ("red de alta creatividad") y 603 bordes que se correlacionaron
negativamente con la capacidad creativa ("red de baja creatividad"; total de bordes
posibles = 35,778). Tenga en cuenta que tanto las redes creativas bajas como las
altas incluyen algunas conexiones positivas y negativas, pero la variabilidad intersujeta
de estas conexiones se asocia positiva o negativamente con el comportamiento,
respectivamente.
La red de alta creatividad exhibió densas conexiones funcionales en las cortezas
predominantemente frontales y parietales ( Fig. 1 ). Consistente con el trabajo
anterior, las regiones que muestran el grado más alto ( k ; es decir, número de
conexiones funcionales) correspondían a los centros centrales del valor
predeterminado [por ejemplo, corteza cingulada posterior izquierda; Área de
Brodmann (BA) 23; k = 19], saliencia (por ejemplo, ínsula anterior izquierda; BA
45; k = 14) y red frontoparietal / ejecutiva (por ejemplo, corteza prefrontal
dorsolateral derecha; BA 9; k = 8; Tabla S1 y Conjunto de datos S1). De los 25 nodos
de mayor grado en la red de alta creatividad, 12 se encontraban dentro de la red
predeterminada, 4 se encontraban dentro de la red de prominencia / cingular-
opercular, y 3 se encontraban dentro de la red frontoparietal / ejecutiva. La red de
baja creatividad mostró conexiones difusas a través del cerebro, principalmente en
estructuras subcorticales / del tronco cerebral (por ejemplo, tálamo izquierdo; k = 14),
la red predeterminada (por ejemplo, corteza cingulada posterior izquierda; BA 23; k =
23), y cerebelo ( tabla S2 y conjunto de datos S2 ). De los 25 nodos de mayor grado
en la red de baja creatividad, 8 estaban dentro de estructuras subcorticales / del
tronco cerebral, 5 estaban dentro de la red predeterminada y 4 estaban dentro del
cerebelo.

 Descargar figura

 Abrir en una pestaña nueva

  Descargar powerpoint

Figura 1.
Representaciones de las redes de alta y baja creatividad. Las gráficas circulares ( A ) y
los cerebros de vidrio ( B ) se establecieron como umbrales para mostrar los nodos
de grado más alto ( k ) en las redes (alta creatividad k = 10, baja creatividad k =
18). Los colores dentro de las parcelas circulares corresponden a los lóbulos del
cerebro. L, hemisferio izquierdo; R, hemisferio derecho.

Validación interna: Predicción de la capacidad creativa utilizando

datos de fMRI de tareas.
Empleamos un análisis de validación cruzada sin salida (es decir, validación interna)
para probar si el modelo de conectividad cerebral (es decir, la fuerza de la
conectividad funcional dentro de las redes creativas altas y bajas, respectivamente)
( 15 y 18 ) podría predecir de forma fiable la capacidad de pensamiento creativo en
los participantes noveles ( 17 ). (Tenga en cuenta que las redes creativas altas y bajas
pueden diferir en cada ronda de validación cruzada ya que se definen en un conjunto
diferente de 162 individuos y se evalúan en el participante número 163 que se
excluye.) Surgieron correlaciones significativas entre el modelo predicho y
Puntuaciones de creatividad observadas tanto en la red de alta creatividad [ r (161) =
0.30, P = 1.29 × 10 −4] y red de baja creatividad [ r (161) = 0.22, P = 0.004] ( Fig.
2 ); una prueba Z de Steiger para las diferencias entre dos correlaciones dependientes
reveló que las correlaciones no eran significativamente diferentes entre sí (z =
0,83, P = 0,40) ( 22 ).

 Descargar figura

 Abrir en una pestaña nueva

 Descargar powerpoint
Figura 2.
Correlación entre los puntajes de creatividad pronosticados y observados,
estandarizados para la visualización.

Para dar cuenta de la no independencia de los pliegues de dejar uno fuera, llevamos a
cabo una prueba de permutación aleatoriamente barajando los puntajes de creatividad
5,000 veces y volviendo a correr el canal de predicción, para crear una distribución
nula de valores r tanto para redes creativas altas como bajas. ( 18 ). Los valores de P
de los valores de correlación empírica, basados en su distribución nula
correspondiente, se calcularon mediante la siguiente fórmula: (1 + el número
de r valores permutados mayores o iguales a la r empírica ) / 1,001. Los resultados de
la prueba de permutación revelaron valores significativos de P para
los valores r empíricos para ambos de alta creatividad ( P= 0.001) y redes de baja
creatividad ( P = 0.019).

Como prueba de especificidad del modelo, volvemos a generar el modelo de

predicción utilizando datos de conectividad funcional de la tarea de control no creativo
[es decir, tarea de características del objeto (OCT)] y los mismos puntajes de
capacidad creativa. Aquí, el procedimiento de construcción del modelo fue el mismo
que el anterior (es decir, entrenado con n - 1 datos de creatividad de los
participantes), pero el modelo se probó con los datos de conectividad OCT del
participante excluido en lugar de los datos de conectividad de la tarea de usos
alternativos (AUT) . Los resultados revelaron una débil correlación no significativa
entre la puntuación de capacidad creativa observada y pronosticada para la red de alta
creatividad [ r (161) = 0.05, P = 0.47], pero una correlación moderada y significativa
entre la capacidad creativa observada y predicha puntaje para la red de baja
creatividad [r(161) = 0.19, P = 0.01]. Las pruebas de permutación con 1,000
iteraciones produjeron un efecto no significativo para la red de alta creatividad ( P =
0,25) y un efecto significativo para la red de baja creatividad ( P = 0,01), lo que indica
que un modelo entrenado en los datos de la tarea creativa y probado en el los datos
de tareas de control son moderadamente predictivos de la capacidad de creatividad
baja.

En resumen, la validación interna confirmó que las diferencias individuales en la

capacidad de pensamiento creativo se pueden predecir de manera confiable en
participantes novedosos en función de la fuerza de la conectividad funcional dentro de
las redes cerebrales relacionadas con tareas. Luego, probamos aún más el potencial
predictivo de los modelos de red de alta y baja creatividad mediante la realización de
tres análisis de validación externos utilizando los datos de fMRI obtenidos de tres
muestras independientes de participantes. Tenga en cuenta que los tres análisis que
analizan las asociaciones con comportamiento creativo utilizan los mismos modelos de
red alta y baja creativa que se mencionaron anteriormente.

Validación externa 1: predicción de la capacidad creativa utilizando

datos de fMRI de la nueva tarea.
Comenzamos por probar si la fuerza de conectividad dentro de las redes creativas
altas y bajas definidas en el conjunto completo de 163 participantes de la muestra de
validación interna podría predecir la capacidad de pensamiento creativo en una
muestra de participantes austriacos ( n = 39) que realizaron una diferente tarea de
pensamiento divergente durante fMRI ( SI Materiales y métodos). Las redes creativas
altas y bajas derivadas del conjunto de datos de entrenamiento modelo anterior se
aplicaron a los datos fMRI adquiridos durante un experimento que requería que los
participantes generaran continuamente usos creativos de objetos durante un período
prolongado (60 s). Los valores de intensidad de la red de alta y baja creatividad se
calcularon para cada participante sumando los coeficientes de correlación dentro de
las redes de alta y baja creatividad. Los resultados revelaron una predicción
significativa de los puntajes de creatividad (es decir, fluidez ideacional y originalidad
compuestas) para la red de alta creatividad [ r (37) = 0.35, P= 0.03], pero no la red
de baja creatividad [ r (37) = - 0.04, P = 0.78] ( Fig. S2), lo que indica que los
participantes con una conectividad funcional más fuerte dentro de la red de alta
creatividad tendían a generar ideas más originales; una prueba Z de Steiger reveló
que las correlaciones no eran significativamente diferentes entre sí ( z = 1.64, P =
0.10). Esta validación externa extiende la validación interna al demostrar la
generalización del modelo altamente creativo a una muestra novedosa y algo
culturalmente distinta.

Validación externa 2: Predicción de la capacidad creativa utilizando

datos de fMRI de Novel Task.
Se realizó un segundo análisis de validación externa con una nueva muestra de
participantes austriacos que completaron una tarea de pensamiento divergente
durante la IRMf ( n = 54) ( Materiales y métodos SI ). Las redes altamente creativas y
poco creativas se aplicaron nuevamente a los datos fMRI de cada participante para
probar si la capacidad de pensamiento creativo podía predecirse a partir de la fuerza
de conectividad dentro de estas redes. La fuerza de la conectividad dentro de la red
de alta creatividad se correlacionó significativamente con el rendimiento del
comportamiento (es decir, la fluidez ideacional compuesta y la originalidad) [ r (52) =
0.28, P = 0.03] ( Fig. S2 ). El rendimiento no se correlacionó significativamente con la
fuerza dentro de la red de baja creatividad [ r(52) = 0,02, P = 0,91]. Una prueba Z de
Steiger reveló que las correlaciones no eran significativamente diferentes entre sí ( z =
1.57, P = 0.11), de manera consistente con el análisis de validación externa anterior.

Para probar si el modelo predice selectivamente el rendimiento en la tarea cognitiva

de interés (es decir, el pensamiento divergente) y no las tareas que no requieren un
pensamiento divergente, realizamos un segundo análisis con matrices de conectividad
funcional extraídas de los datos de fMRI durante la tarea de control en este
experimento (es decir, generando adjetivos en respuesta a palabras claves). El modelo
fue sensible al proceso cognitivo comprometido: ni fuerza de red de alta creatividad
[ r (52) = 0.12, P = 0.38] ni fuerza de red de baja creatividad [ r (52) = 0.03, P=
0.84] se relacionó significativamente con el rendimiento de pensamiento divergente
cuando se basó en datos de conectividad funcional de la tarea de control (no
creativa). Dicho de otra manera, las redes creativas altas y bajas aplicadas a los datos
fMRI durante la tarea de control no estaban significativamente relacionadas con la
capacidad de pensamiento creativo. Del mismo modo, cuando se consideraron los
datos de rendimiento de la tarea de control no creativo (es decir, la cantidad media de
adjetivos generados), ni la potencia de la red de alta creatividad [ r (52) = 0.11, P =
0.41] ni la potencia de la red de baja creatividad [ r (52 ) = 0.13, P= 0,33] se
relacionó con el rendimiento: las redes de creatividad alta y baja aplicadas a los datos
fMRI durante la tarea de control no creativo no se relacionaron significativamente con
el rendimiento en la tarea de control no creativo. Juntos, estos hallazgos proporcionan
evidencia de la especificidad de la red altamente creativa para predecir la capacidad
de pensamiento creativo.

Validación externa 3: Predicción de la capacidad creativa mediante el

uso de datos fMRI en estado de reposo.
Como una prueba aún más poderosa de la validez externa, examinamos si la fortaleza
de la conectividad dentro de las redes creativas altas y bajas podía predecir la
capacidad de pensamiento creativo utilizando datos de IRMF en estado de reposo sin
tareas. Dado el trabajo anterior que muestra una correspondencia entre el estado de
reposo y la arquitectura de red inducida por tareas ( 23 ), planteamos la hipótesis de
que la solidez de la conectividad funcional dentro de las redes creativas altas y bajas
en el resto predeciría la capacidad creativa, aunque en menor medida que con datos
de conectividad de estado de tarea dada la sensibilidad aparente del modelo a la
actividad neuronal congruente con la tarea.

Obtuvimos los datos de la IRMf en estado de reposo de una gran muestra de

participantes chinos ( n = 405) que completaron una batería de tareas de
pensamiento divergentes fuera del escáner ( Materiales y métodos SI ). Las redes de
alta creatividad y baja creatividad se aplicaron nuevamente a los datos de IRMf en
estado de reposo de los participantes. Las puntuaciones de creatividad se
correlacionaron significativamente con la intensidad de la red de alta creatividad
[ r (403) = 0.13, P = 0.008], así como la potencia de la red de baja creatividad
[ r (403) = 0.11, P = 0.03] ( Fig. S2), lo que indica que el modelo puede predecir de
manera confiable el rendimiento creativo de la conectividad cerebral funcional
intrínseca. (Tenga en cuenta que la relación positiva entre el rendimiento creativo y la
fuerza de la red de baja creatividad es inesperada. Dada la falla de la red de baja
creatividad para generalizar los conjuntos de validación externos 1 y 2, esta red puede
ser un predictor de creatividad menos confiable que el alto -crea de creatividad.) Una
prueba Z de Steiger reveló que las correlaciones no eran significativamente diferentes
entre sí ( z = 0.79, P = 0.42). Como prueba de sensibilidad del modelo, evaluamos si
la fuerza de la red creativa alta y baja podía predecir el rendimiento en una prueba de
inteligencia fluida. Ni de alta creatividad [ r (403) = 0.04, P= 0.39] ni la fuerza de la
red de baja creatividad [ r (403) = 0.04, P = 0.40)] correlacionada con las
puntuaciones de inteligencia, lo que demuestra que los modelos neurales predicen
selectivamente la capacidad de pensamiento creativo y no simplemente una capacidad
cognitiva más alta.
Discusión
Uso de una técnica desarrollada recientemente en el análisis de datos fMRI: modelado
predictivo basado en conectoma ( 15 ⇓ - 17): Descubrimos redes de todo el cerebro
asociadas con el rendimiento en una evaluación clásica de la capacidad general de
pensamiento creativo. Esta red de alta creatividad exhibe densas conexiones
funcionales entre los nodos centrales de los sistemas predeterminado, ejecutivo y de
atención, redes que normalmente funcionan en oposición, lo que sugiere que el
cerebro creativo está marcado por una tendencia a activar simultáneamente estos
circuitos a gran escala para lograr una mayor grado que el cerebro menos
creativo. Críticamente, demostramos la solidez del modelo para predecir la capacidad
creativa en tres conjuntos de datos independientes obtenidos de dos laboratorios
diferentes, que incluyen dos muestras de IRMF basadas en tareas y una muestra de
estado de reposo sin tareas. En conjunto, los hallazgos proporcionan evidencia de que
la capacidad de pensamiento creativo se puede predecir de manera confiable a partir
del perfil único de conectividad cerebral de un individuo.

La neuroanatomía de la red de alta creatividad es notablemente similar a los patrones

de conectividad funcional informados en estudios recientes de cognición creativa
( 1 ). Específicamente, encontramos que las regiones que muestran el mayor número
de conexiones funcionales significativamente correlacionadas correspondían a los
centros de tres redes cerebrales a gran escala: por defecto (corteza cingulada
posterior), ejecutiva (corteza prefrontal dorsolateral derecha) y saliencia (ínsula
anterior izquierda) . Estas regiones mostraron una mayor conectividad funcional en un
estudio reciente de resonancia magnética funcional de pensamiento divergente ( 11),
que también informó una correlación positiva entre los puntajes de creatividad
individual y la eficiencia global dentro de un conjunto de regiones que consta de los
nodos centrales de estas tres redes, en consonancia con el perfil de conectividad
asociado con la alta capacidad creativa en el presente estudio. En particular, los
estudios de neuroimagen del rendimiento artístico también informaron un
acoplamiento funcional entre regiones dentro de estas redes ( 12 , 24 , 25 ), lo que
sugiere que la capacidad de coactivar sistemas cerebrales que tienden a funcionar en
oposición en reposo y durante las tareas cognitivas exigentes ( 14 ) puede Refleja un
mecanismo de dominio general del procesamiento creativo de la información.

La red de baja creatividad estaba compuesta en gran medida por regiones cerebrales
subcorticales, cerebelosas y sensoriomotoras. Aunque no teníamos hipótesis a priori
sobre la red de baja creatividad, vale la pena mencionar algunos puntos. Con respecto
a la neuroanatomía, las regiones que muestran la mayoría de las conexiones dentro de
la red se informan con menos frecuencia en los estudios de neuroimagen de cognición
creativa ( 5 , 6).), sugiriendo que son menos relevantes para el desempeño exitoso en
tareas de pensamiento creativo. Una posibilidad, entonces, es que la baja capacidad
creativa se caracteriza por el aumento de las interacciones entre las regiones del
cerebro que no son compatibles con la cognición creativa. Aunque la red incluía
algunas regiones de los sistemas por defecto y de visibilidad, un examen más detenido
del patrón de conectividad mostró que estos sistemas no estaban vinculados
funcionalmente, como en la red de alta creatividad, sino que mostraban un mayor
acoplamiento con las regiones subcortical, sensoriomotora y cerebelosa . La evidencia
previa ha encontrado que estas regiones admiten respuestas de procedimiento
(habituales), lo que sugiere que las personas poco creativas podrían estar
recuperando respuestas en caché o aprendidas previamente ( 26). A la luz del trabajo
anterior que vincula la actividad predeterminada con fuertes asociaciones semánticas
( 27 ) y las tendencias de respuesta automática ( 28 ), la capacidad de creatividad
baja puede caracterizarse por una incapacidad para trascender el conocimiento
conceptual relevante al utilizar representaciones de memoria dentro de la red
predeterminada. Por lo tanto, cuando intentan generar ideas originales, los individuos
con poca creatividad pueden activar asociaciones semánticas comunes y en caché
que, a su vez, no están reguladas de manera efectiva por la red ejecutiva, que puede
funcionar para inhibir las tendencias de respuesta prepotentes y redirigir los procesos
de búsqueda en los altamente creativos. cerebro ( 29 ).

Además, aunque la red de baja creatividad mostró una predicción de rendimiento

significativa en el conjunto de datos original, los análisis de validación externa solo
revelaron correlaciones significativas con la capacidad de pensamiento creativo en una
de las tres muestras (es decir, validación externa 3; fMRI en estado de reposo), y esto
la relación fue en la dirección inesperada, lo que sugiere que la red puede ser menos
confiable en su predicción de baja capacidad creativa. Sin embargo, es importante
tener en cuenta que, en todos los conjuntos de datos, las correlaciones
numéricamente diferentes entre los puntajes de creatividad y la fuerza de la red de
alta creatividad frente a baja no fueron significativamente diferentes entre sí (y
nuestras muestras carecieron de poder para detectar tales diferencias). Sin embargo,
la red de alta creatividad mostró una predicción estable de la capacidad creativa en los
conjuntos de datos,1 ), sugiriendo que puede ser un marcador neuronal de capacidad
creativa más confiable en el trabajo futuro. También vale la pena señalar que, aunque
encontramos una predicción más fuerte de la capacidad de pensamiento creativo
utilizando datos de fMRI basados en tareas, este patrón también surgió utilizando
datos de estado de reposo, lo que indica que las correlaciones del comportamiento del
cerebro se deben en parte a una variación estable del nivel de rasgo. En conectividad
funcional. Por lo tanto, tanto la estructura de red intrínseca como la reorganización de
la red inducida por tareas probablemente capturan una variación individual importante
( 30 ).

La coordinación de las redes predeterminadas, ejecutivas y de prominencia es

coherente con un modelo reciente de dinámica cerebral que respalda la cognición
creativa ( 1). De acuerdo con este marco, la red predeterminada contribuye a la
generación de ideas a través de mecanismos combinatorios flexibles y espontáneos
involucrados en la recuperación de la memoria y la simulación mental. La red de
atención, a su vez, funciona para identificar ideas candidatas (información
potencialmente útil generada a través de la red predeterminada) y reenviar dicha
información a los sistemas ejecutivos frontoparietales para el procesamiento de
pedidos altos (por ejemplo, evaluación, elaboración o revisión de ideas). Si bien el
modelo implica una progresión en serie de la generación y evaluación de ideas, la
evidencia reciente sugiere que los sistemas ejecutivos pueden interactuar con los
procesos generativos en curso dentro de la red predeterminada al imponer
restricciones en el desempeño y mantener objetivos de orden superior ( 1).). Por lo
tanto, el mantenimiento de objetivos puede beneficiar el rendimiento creativo al guiar
y restringir la cognición espontánea para alcanzar objetivos creativos específicos
( 31 ).

La creatividad sigue siendo una construcción compleja que requerirá una investigación
considerable para descubrir sus múltiples manifestaciones en el cerebro. A diferencia
de algunos aspectos de la cognición que se han localizado de manera confiable en
regiones específicas del cerebro, las construcciones complejas como la creatividad son
probablemente un producto de mecanismos neuronales igualmente complejos que
afectan a todo el cerebro. Por lo tanto, además de seguir las preguntas clásicas
relacionadas con el lugar donde se produce la creatividad en el cerebro, una dirección
prometedora para futuras investigaciones será centrarse en cómo piensa el cerebro de
manera creativa. Los enfoques basados en redes son particularmente adecuados para
responder a estas preguntas porque pueden adaptarse a la compleja interacción de
múltiples procesos neurocognitivos (por ejemplo, recuperación de memoria, simulación
mental y control cognitivo).

Materiales y métodos
Participantes.
La muestra total consistió de 163 participantes reclutados de la Universidad de
Carolina del Norte en Greensboro (UNCG) y la comunidad circundante (113 mujeres,
edad promedio = 22.50 y, SD = 5.79) y específicamente muestras extraordinarias de
arte, música y ciencias para Aumentar la población de la muestra de dominios
creativos. Los participantes fueron reclutados como parte de un estudio más amplio
sobre las diferencias individuales en creatividad (que involucró numerosas medidas y
procedimientos ecológicos y de laboratorio que no se discuten aquí) y se les pagó
hasta $ 100 por su tiempo. Todos los participantes eran diestros con visión normal o
corregida a normal y no informaron antecedentes de trastorno neurológico,
discapacidad cognitiva o medicamentos que afecten el sistema nervioso central. Los
participantes proporcionaron consentimiento informado por escrito. El estudio fue
aprobado por la Junta de Revisión Institucional de UNCG.

Paradigma de la tarea fMRI.

Los participantes completaron una tarea de creatividad y una tarea de control en un
diseño relacionado con un evento durante la imagen funcional: una tarea de usos
alternativos (AUT) de pensamiento divergente y una tarea de características de objeto
(OCT). El paradigma de la tarea fue similar a los protocolos utilizados en
investigaciones anteriores ( 11 , 32 ). En la AUT, a los participantes se les presentó
una clave de objeto común y se les pidió que imaginaran un uso nuevo e inusual para
ella; en la PTU, a los participantes se les presentó una pista de objetos y se les pidió
que pensaran en las características típicas de los objetos. Los participantes recibieron
una capacitación exhaustiva en ambas tareas y completaron varias pruebas de
práctica antes de escanear.

El paradigma de la tarea consistió en una cruz de fijación jittered (4–6 s), una
indicación que indica la condición próxima ("crear" u "objeto"; 3 s), un período de
pensamiento que presenta una referencia de objeto en el texto (12 s), y un período de
respuesta verbal que requiere que los participantes verbalicen su respuesta en un
micrófono compatible con MRI (5 s). En la AUT, se pidió a los participantes que usaran
el período de pensamiento para imaginar usos creativos para el objeto y luego
expresaran su respuesta más creativa en el micrófono durante el período de respuesta
( 29 , 33 ); en la PTU, se pidió a los participantes que pensaran en la característica
física más común del objeto. De acuerdo con el trabajo anterior, un experimentador
registró las respuestas verbales en tiempo real para el análisis posterior de la calidad
de la idea.

Evaluación del comportamiento.

El rendimiento en el escáner en el AUT se evaluó registrando respuestas verbales a
través de un micrófono compatible con MRI, que posteriormente se codificaron para
una calidad creativa. Los participantes también completaron dos AUT como parte de la
evaluación de comportamiento posterior a la exploración para obtener datos sobre su
desempeño en un entorno de prueba estándar. De acuerdo con los procedimientos
convencionales, a los participantes se les dio 2 min para generar continuamente usos
alternativos para cada uno de los dos objetos (es decir, caja y cuerda), que
posteriormente fueron codificados para calidad creativa por cuatro evaluadores
entrenados junto con las respuestas en el escáner, usando un 1 (no del todo creativo)
a 5 (muy creativo) escala; a los evaluadores se les pidió que consideraran la novedad,
la lejanía y la inteligencia al codificar las respuestas, pero que proporcionaran una
única puntuación holística para cada uno ( 11 , 19, 34 , 35 ). Los evaluadores
calificaron todas las respuestas en el escáner (23 ensayos) y las respuestas basadas
en el laboratorio (dos tareas). Para las respuestas en el escáner, se calculó el
promedio de las puntuaciones para cada evaluador, lo que resultó en una buena
confiabilidad entre evaluadores [correlación intraclase (ICC) = 0.78]; para las
respuestas basadas en el laboratorio, las calificaciones para cada tarea se promediaron
de manera similar, lo que también resultó en un buen acuerdo del evaluador en el
recuadro (ICC = 0,69) y las tareas de cuerda (ICC = 0,75). Finalmente, se administró
una batería de cuestionarios para evaluar los logros creativos y el comportamiento
creativo cotidiano: el Cuestionario de Logros Creativos (CAQ) ( 36 ); el inventario
biográfico de comportamiento creativo (BICB) ( 37); y el Inventario de Actividades
Creativas y Logros (ICAA) (38 ).

Se utilizó el modelado de variables latentes para modelar las evaluaciones de

creatividad de las respuestas AUT en el escáner y en el laboratorio. Especificamos un
modelo de variable latente de orden superior utilizando Mplus 7.2. El factor de
creatividad de orden superior se indicó mediante dos factores latentes de orden
inferior: clasificaciones en el escáner y clasificaciones basadas en laboratorio. El factor
en el escáner se indicó mediante cuatro variables observadas (es decir, las
calificaciones promedio de creatividad de los cuatro evaluadores). El factor basado en
el laboratorio se indicó mediante dos factores de orden inferior que representan las
dos tareas basadas en el laboratorio, que a su vez se indicaron mediante cuatro
variables observadas (es decir, las calificaciones promedio de creatividad de los cuatro
evaluadores; ver Fig. S1). También se modeló una variable de "comportamiento
creativo y logros", indicada por cuatro variables observadas, para evaluar la
correlación latente entre la capacidad de pensamiento creativo y el comportamiento y
los logros creativos del mundo real. Para la identificación del modelo, las rutas de
todos los indicadores se limitaron a la igualdad y las variaciones de las variables
latentes se fijaron en 1.

Adquisición de datos y preprocesamiento de resonancia magnética.

Los participantes completaron las tareas en una sola ejecución de fMRI. Las imágenes
de todo el cerebro se realizaron en un sistema 3M Siemens Magnetom MRI (Siemens
Medical Systems) usando una bobina de cabeza de 16 canales. Las imágenes
funcionales ponderadas en T2 * sensibles a BOLD se adquirieron utilizando una
secuencia de pulsos de secuencia de imagen de imágenes planas (EPI) de eco de
gradiente de disparo (EP) = 2,000 ms, tiempo de eco (TE) = 30 ms, ángulo de giro =
78 °, 32 cortes axiales, 3.5 × 3.5 × 4.0 mm, factor de distancia 0%, campo de visión
(FoV) = 192 × 192 mm, orden de corte intercalado] y corregido en línea para el
movimiento de la cabeza. Los dos primeros volúmenes se descartaron para permitir
los efectos de equilibrio T1. Los estímulos visuales se presentaron utilizando E-Prime y
se observaron a través de un espejo unido a la bobina de la cabeza. Además de las
imágenes funcionales, se adquirió una exploración T1 de alta resolución para la
normalización anatómica.3 kernel gaussiano isotrópico. Para determinar si las
puntuaciones de creatividad (es decir, las puntuaciones del factor variable latente) se
asociaron con el movimiento de la cabeza del participante durante la imagen
funcional, se correlacionaron estas puntuaciones con el desplazamiento medio de
marco a marco. Los resultados mostraron que las puntuaciones de creatividad se
relacionaron marginalmente pero no significativamente con el movimiento de la
cabeza ( r = −0.14, P = 0.07).

La conectividad funcional relacionada con la tarea se evaluó utilizando la caja de

herramientas CONN ( https://www.nitrc.org/projects/conn ) ( 39 ) en MATLAB. Para
cada participante, CONN implementó CompCor, un método para identificar los
componentes principales asociados con la materia blanca segmentada (WM) y el
líquido cefalorraquídeo (LCR). En un análisis de primer nivel, los componentes de
CompCor y las derivadas de movimiento de primer orden se ingresaron como factores
de confusión y regresaron de la señal BOLD. Los pasos de preprocesamiento
adicionales incluyeron el filtrado de paso alto, la desviación lineal y la regresión de los
volúmenes funcionales periféricos (> percentil 97 en la muestra normativa; umbral de
valor z de señal global = 5, umbral mm de sujeto-movimiento = 0,09) identificado
mediante la caja de herramientas de eliminación de artefactos (ART º)
(https://www.nitrc.org/projects/artifact_detect/ ). También regresamos la estructura
de tareas correspondiente a los inicios y duraciones de los períodos de respuesta
verbal para tener en cuenta los artefactos esperados relacionados con la vocalización
del participante. Debido a que CompCor puede dar cuenta de los efectos del
movimiento del sujeto y otras fuentes de ruido en la señal BOLD, la señal global no
fue regresada.

Construcción de redes funcionales.

Se calcularon redes de cerebro completo para cada participante utilizando CONN. De
manera consistente con el trabajo anterior que empleó cpm ( 15 , 18 ), utilizamos el
atlas cerebral de Shen, que consta de 268 regiones de interés (ROI) de 2 mm de
dimensión y proporciona cobertura de todo el cerebro de la corteza cerebral, el
cerebelo y el tronco cerebral ( 21 ). La señal BOLD se extrajo de cada ROI durante el
período de reflexión del AUT (23 ensayos, 12 s; colapsando entre los ensayos), y las
correlaciones bivariadas se calcularon entre cada par de ROI, lo que dio como
resultado una matriz de correlación de 268 × 268 para cada participante. Tenga en
cuenta que la misma parcelación y procedimiento anatómico se utilizaron para
construir redes funcionales para todos los análisis de validación externos descritos
aquí.

Modelado predictivo basado en conectomas.

El análisis principal empleó cpm para estimar la capacidad de pensamiento creativo de
los participantes a partir de la conectividad funcional relacionada con tareas de todo el
cerebro. Cpm es un método desarrollado recientemente para identificar conexiones
cerebrales funcionales relacionadas con una variable de comportamiento de interés,
que luego se usa para predecir el comportamiento en participantes novedosos (es
decir, participantes cuyos datos no se usaron en la creación del modelo) ( 17 ). El
procedimiento de cpm se describió recientemente en una serie de estudios que
informaron su aplicación a variables cognitivas como la inteligencia fluida y el control
de la atención ( 18 ), pero aquí resumimos brevemente el proceso de procesamiento
de cpm. La sintaxis de MATLAB utilizada para cpm está disponible gratuitamente en
línea ( https://www.nitrc.org/projects/bioimagesuite/), como es el software de
visualización de conectome ( bisweb.yale.edu/build/connviewer.html).

En un primer paso, se correlacionó un vector de valores de comportamiento (es decir,

una única puntuación del factor de creatividad para cada participante) con cada borde
(es decir, correlación de las señales BOLD medias entre un par dado de regiones del
cerebro) en la matriz de conectividad funcional de cada uno partícipe. A continuación,
se aplicó un umbral a la matriz para retener solo los bordes que se correlacionaron
positiva y negativamente con el comportamiento ( P<0.01). Luego se aplicó Cpm a los
datos de un participante sumando la intensidad del borde (es decir, los coeficientes de
correlación) en las colas positivas y negativas de la distribución de correlación; Las
distribuciones de frecuencia de los valores de comportamiento y conectividad se
verificaron en cuanto a la normalidad para cumplir los supuestos de las correlaciones
de Pearson. A continuación, se especificó un modelo de regresión lineal para estimar
la relación entre el puntaje de comportamiento previsto del modelo y el puntaje de
comportamiento observado. Finalmente, el modelo se aplicó a los nuevos participantes
en una validación cruzada de nivel uno, de tal manera que el modelo se capacitó en n-
 1 matrices de conectividad y puntajes de comportamiento de los participantes, y
evaluados en el participante de izquierda. Tenga en cuenta que la selección de
características (es decir, los bordes de red retenidos) también se produce dentro del
bucle de dejar uno fuera, lo que da como resultado redes y modelos predictivos
ligeramente diferentes para cada iteración. El poder predictivo del modelo resultante
se refleja en la magnitud y el significado estadístico de la correlación de Pearson entre
el modelo predicho y las puntuaciones de comportamiento observadas. Para una
descripción detallada de cpm, ver Shen et al. ( 17 ).

Validación externa.
Se definieron ciento sesenta y tres redes y modelos lineales positivos y negativos
diferentes, uno para cada ronda de validación cruzada sin interrupciones, durante la
validación interna. Para generar un modelo final para aplicar a muestras
completamente independientes, definimos redes finales de alta y baja creatividad
utilizando datos de las 163 asignaturas de capacitación. La red de alta creatividad
"final" incluyó 224 bordes, y la red de baja creatividad final incluyó 603 bordes. Estas
redes se visualizan en la Fig. 1.. Las redes fueron muy similares a las redes
identificadas en los pliegues de dejar uno fuera durante la validación interna: en
promedio, los bordes de la red de alta creatividad final aparecieron en 151 de las 163
máscaras positivas generadas durante la validación cruzada de un solo-salida, y Los
bordes en la red final de baja creatividad aparecieron en 154 de las 163 máscaras
negativas. A continuación, calculamos la fuerza en estas redes para cada sujeto en
tres conjuntos de datos completamente independientes. Correlacionamos la fuerza y el
comportamiento de la red en estas muestras novedosas, revelando que, en cada caso,
los individuos con redes de alta creatividad eran más creativos.

Expresiones de gratitud
Esta investigación fue apoyada por Grant RFP-15-12 del Imagination Institute
( www.imagination-institute.org ), financiada por la Fundación John Templeton. QC y
JQ recibieron el apoyo de National Science Foundation of China Grants 31571137 y
31470981. Las opiniones expresadas en esta publicación son las de los autores y no
reflejan necesariamente la opinión del Instituto de Imaginación o la Fundación John
Templeton.

Notas al pie
 ↵ 1 A quien debe dirigirse la correspondencia. Correo
electrónico: rbeaty@fas.harvard.edu .
 Contribuciones de los autores: investigación diseñada por REB, MB, AF, JQ, TRK, MJK
y PJS; REB, APC, MB, QC, AF, JQ y PJS realizaron investigación; MDR contribuyó con
nuevos reactivos / herramientas analíticas; REB, YNK, APC y MDR analizaron los
datos; y REB, YNK, APC, MDR, MB, QC, TRK, MJK y PJS escribieron el documento.
 Los autores declaran no tener conflicto de intereses.
 Este artículo es un envío directo PNAS. OS es un editor invitado invitado por el
Consejo Editorial.

Publicado bajo la licencia PNAS .

Referencias

1. ↵
1. Beaty RE ,
2. Benedek M ,
3. Silvia pj ,
4. Schacter DL

( 2016 ) cognición creativa y dinámica de redes cerebrales . Trends Cogn

Sci 20 : 87 - 95 .

CrossRefPubMedGoogle Académico

2. ↵
1. Runco MA ,
2. Acar s

( 2012 ) El pensamiento divergente como indicador de potencial creativo .Creat Res

J 24 : 66 - 75 .

Google Académico

3. ↵
1. Plucker JA

( 1999 ) ¿Está la prueba en el pudín? Reanales de datos longitudinales de Torrance

(1958 hasta el presente) . Creat Res. J 12 : 103 - 114 .

Google Académico

4. ↵
1. Abraham A

( 2013 ) Las promesas y los peligros de la neurociencia de la creatividad . Frente Hum

Neurosci 7 : 246 .
 .

Google Académico

5. ↵
1. Gonen-Yaacovi G , et al.

( 2013 ) Contribución prefrontal rostral y caudal a la creatividad: un metanálisis de datos

de imágenes funcionales . Frente Hum Neurosci 7 : 465 .

PubMedGoogle Scholar

6. ↵
1. Wu X , et al.

( 2015 ) Un metaanálisis de estudios de neuroimagen sobre el pensamiento divergente

utilizando la estimación de la probabilidad de activación . Hum Brain Mapp 36 : 2703 -
2718 .

Google Académico

7. ↵
1. Zabelina DL ,
2. Andrews-Hanna JR

( 2016 ) Interacciones de red dinámicas que apoyan la cognición orientada

internamente . Curr Opin Neurobiol 40 : 86 - 93 .

Google Académico

8. ↵
1. Sowden PT ,
2. Pringle A ,
3. Gabora l

( 2014 ) Las arenas movedizas del pensamiento creativo: conexiones con la teoría del
proceso dual . Piense en la razón 21 : 40 - 60 .

Google Académico
9. ↵
1. Jung re ,
2. Mead BS ,
3. Carrasco J ,
4. Flores ra

( 2013 ) La estructura de la cognición creativa en el cerebro humano . Frente Hum

Neurosci 7 : 330 .

PubMedGoogle Scholar

10. ↵
1. Uddin LQ

( 2015 ) Procesamiento de saliencia y disfunción y función cortical insular . Nat Rev

Neurosci 16 : 55 - 61 .

CrossRefPubMedGoogle Académico

11. ↵
1. Beaty RE ,
2. Benedek M ,
3. Kaufman SB ,
4. Silvia pj

( 2015 ) El acoplamiento de red predeterminado y ejecutivo admite la producción de

ideas creativas . Sci Rep 5 : 10964 .

CrossRefPubMedGoogle Académico

12. ↵
1. Ellamil m ,
2. Dobson c ,
3. Beeman m ,
4. Christoff K

( 2012 ) Modos evaluativos y generativos de pensamiento durante el proceso

creativo . Neuroimagen 59 : 1783 - 1794 .

CrossRefPubMedGoogle Académico
13. ↵
1. Fox MD , et al.

( 2005 ) El cerebro humano está intrínsecamente organizado en redes funcionales

dinámicas y relacionadas con la relación entre ambos . Proc Natl Acad Sci
USA 102 :9673 - 9678 .

Resumen / texto completo GRATUITO deGoogle Académico

14. ↵
1. Anticevico A , et al.

( 2012 ) El papel de la desactivación de la red por defecto en la cognición y la

enfermedad . Trends Cogn Sci 16 : 584 - 592 .

CrossRefPubMedGoogle Académico

15. ↵
1. Finn ES , et al.

( 2015 ) Huellas digitales de conectoma funcional: identificación de individuos que

utilizan patrones de conectividad cerebral . Nat Neurosci 18 : 1664 - 1671 .

CrossRefPubMedGoogle Académico

16. ↵
1. Rosenberg MD ,
2. Finn ES ,
3. Scheinost D ,
4. Constable RT ,
5. Chun MM

( 2017 ) Caracterización de la atención con modelos de redes predictivas . Trends Cogn

Sci 21 : 290 - 302 .

Google Académico

17. ↵
1. Shen X , et al.
 ( 2017 ) Uso de modelos predictivos basados en conectomas para predecir el
comportamiento individual de la conectividad cerebral . Nat protoc 12 : 506 - 518 .

Google Académico

18. ↵
1. Rosenberg MD , et al.

( 2016 ) Un neuromarcador de la atención sostenida de la conectividad funcional de

todo el cerebro . Nat Neurosci 19 : 165 - 171 .

CrossRefPubMedGoogle Académico

19. ↵
1. Silvia PJ , et al.

( 2008 ) Evaluación de la creatividad con tareas de pensamiento divergentes:

Explorando la confiabilidad y la validez de los nuevos métodos de calificación
subjetiva . Psychol Aesthetics Creativity Arts 2 : 68 - 85 .

Google Académico

20. ↵
1. Jauk E ,
2. Benedek M ,
3. Neubauer AC

( 2014 ) El camino hacia el logro creativo: un modelo variable latente de capacidad y

predictores de personalidad . Eur J Pers 28 : 95 - 105 .

Google Académico

21. ↵
1. Shen X ,
2. Tokoglu F ,
3. Papademetris X ,
4. Constable RT

( 2013 ) Parcelación de todo el grupo grupal a partir de datos fMRI en estado de reposo
para la identificación de nodos de red . Neuroimage 82 :403 - 415 .
 .

CrossRefPubMedGoogle Académico

22. ↵
1. Steiger JH

( 1980 ) Pruebas para comparar elementos de una matriz de correlación . Psychol

Bull87 : 245 - 251 .

CrossRefGoogle Scholar

23. ↵
1. Cole MW ,
2. Bassett DS ,
3. Poder jd ,
4. Braver TS ,
5. Petersen SE

( 2014 ) Arquitecturas de red intrínsecas y evocadas por tareas del cerebro

humano . Neuron 83 : 238 - 251 .

CrossRefPubMedGoogle Académico

24. ↵
1. Liu S , et al.

( 2015 ) Actividad cerebral y conectividad durante la composición de poesía: Hacia un

modelo multidimensional del proceso creativo . Hum Brain Mapp 36 : 3351 - 3372 .

CrossRefPubMedGoogle Académico

25. ↵
1. Pinho AL ,
2. de Manzano Ö ,
3. Fransson P ,
4. Eriksson H ,
5. Ullén F

( 2014 ) Conexión para crear: la experiencia en improvisación musical se asocia con una
mayor conectividad funcional entre las áreas premotora y prefrontal . J
Neurosci 34 : 6156 - 6163 .
 .

Resumen / texto completo GRATUITO deGoogle Académico

26. ↵
1. Dezfouli A ,
2. Balleine BW

( 2012 ) Hábitos, secuencias de acción y aprendizaje por refuerzo . Eur J

Neurosci 35 : 1036 - 1.051 mil .

CrossRefPubMedGoogle Académico

27. ↵
1. Vatansever D , et al.

( 2017 ) Variedades de cognición semántica reveladas a través de la descomposición

simultánea de la conectividad y el comportamiento intrínsecos del
cerebro .Neuroimagen 158 : 1 - 11 .

Google Académico

28. ↵
1. Vatansever D ,
2. Menon DK ,
3. Stamatakis EA

( 2017 ) Contribuciones en modo predeterminado al procesamiento automatizado de la

información . Proc Natl Acad Sci USA 114 : 12821 - 12826 .

Resumen / texto completo GRATUITO deGoogle Académico

29. ↵
1. Beaty RE ,
2. Christensen AP ,
3. Benedek M ,
4. Silvia pj ,
5. Schacter DL

( 2017 ) Restricciones creativas: actividad cerebral y dinámica de red subyacente a la

interferencia semántica durante la producción de ideas . Neuroimagen 148 : 189 - 196 .
 .

Google Académico

30. ↵
1. Hearne LJ ,
2. Mattingley JB ,
3. Cocchi L

( 2016 ) Redes cerebrales funcionales relacionadas con las diferencias individuales en la

inteligencia humana en reposo . Sci Rep 6 : 32328 .

CrossRefPubMedGoogle Académico

31. ↵
1. Chrysikou EG ,
2. Weber MJ ,
3. Thompson-Schill SL

( 2014 ) Una hipótesis de filtro emparejado para el control

cognitivo . Neuropsychologia 62 : 341 - 355 .

CrossRefPubMedGoogle Académico

32. ↵
1. Fink A , et al.

( 2009 ) El cerebro creativo: investigación de la actividad cerebral durante la resolución

creativa de problemas mediante EEG y FMRI . Hum Brain Mapp 30 : 734 - 748 .

CrossRefPubMedGoogle Académico

33. ↵
1. Benedek M , et al.

( 2014 ) ¿ Crear o recordar? Mecanismos neuronales subyacentes a la generación de

nuevas ideas creativas . Neuroimagen 88 : 125 - 133 .

CrossRefPubMedGoogle Académico
34. ↵
1. Fink A , et al.

( 2015 ) El entrenamiento de la creatividad verbal modula la actividad cerebral en

regiones asociadas con las demandas relacionadas con el lenguaje y la memoria . Hum
cerebro Mapp 36 : 4104 - 4115 .

CrossRefPubMedGoogle Académico

35. ↵
1. Benedek M , et al.

( 2014 ) Creando metáforas: la base neuronal de la producción del lenguaje

figurado . Neuroimagen 90 : 99 - 106 .

Google Académico

36. ↵
1. Carson SH ,
2. Peterson JB ,
3. Higgins DM

( 2005 ) Fiabilidad, validez y estructura factorial del cuestionario de logros

creativos . Creat Res J 17 : 37 - 50 .

CrossRefGoogle Scholar

37. ↵
1. Batey M ,
2. Furnham A ,
3. Safiullina X

( 2010 ) Inteligencia, conocimiento general y personalidad como predictores de

creatividad . Aprenda Individuo Diferente 20 : 532 - 535 .

Google Académico

38. ↵
1. Diedrich J , et al.
 Evaluación de la creatividad en la vida real: el inventario de actividades creativas y
logros (ICAA) . Psychol Aesthetics Creativity Arts Doi: 10.1037 / aca0000137 .

CrossRefGoogle Scholar

39. ↵
1. Whitfield-Gabrieli S ,
2. Nieto-Castanon A

( 2012 ) Conn: una caja de herramientas de conectividad funcional para redes

cerebrales correlacionadas y anticorrelacionadas . Brain Connect 2 : 125 -141 .

CrossRefPubMedGoogle Académico