Abstract Problem-solving often requires creativity and is critical in everyday life. However, the neurocognitive mechanisms underlying creative problem-solving remain poorly understood. Two mechanisms have been highlighted: forming new connections from and between the problem elements and insight solving (with a sudden realization of a solution). We examined EEG activity during an adapted version of a classical insight problem task, the Remote Associates Test, that requires finding a word connecting three words. It allowed us to explore remoteness in semantic connections (by varying the remoteness of the solution word across trials) and insight solving (identified as a “Eurêka” moment reported by the participants). Semantic remoteness was associated with a power increase in alpha band (8-12Hz) in a left parieto-temporal cluster, beta band (13-30Hz) in a right fronto-temporal cluster in the early phase of the task, and theta band (3-7Hz) in frontal cluster before the participants responded. Insight solving was associated with power increase preceding the response in alpha and gamma band (31-60Hz) in left temporal clusters and theta band in a frontal cluster. Source reconstructions show the brain regions associated with these clusters. Overall, our findings shed new light on the dynamic of some of the mechanisms involved in creative problem-solving.

Abstract Creative cognition relies on the ability to form remote associations between concepts, which allows to generate novel ideas or solve new problems. Such an ability is related to the organization of semantic memory; yet whether real-life creative behavior relies on semantic memory organization and its neural substrates remains unclear. Therefore, this study explored associations between brain functional connectivity patterns, network properties of individual semantic memory, and real-life creativity. We acquired multi-echo functional MRI data while participants underwent a semantic relatedness judgment task. These ratings were used to estimate their individual semantic memory networks, whose properties significantly predicted their real-life creativity. Using a connectome-based predictive modeling approach, we identified patterns of task-based functional connectivity that predicted creativity-related semantic memory network properties. Furthermore, these properties mediated the relationship between functional connectivity and real-life creativity. These results provide new insights into how brain connectivity supports the associative mechanisms of creativity.

Abstract What drives us to search for creative ideas, and why does it feel good to find one? While previous studies demonstrated the positive influence of motivation on creative abilities, how reward and subjective values play a role in creativity remains unknown. This study proposes to characterize the role of individual preferences (how people value ideas) in creative ideation via behavioral experiments and computational modeling. Using the Free Generation of Associates Task coupled with rating tasks, we demonstrate the involvement of valuation processes during idea generation: preferred ideas are provided faster. We found that valuation depends on the adequacy and originality of ideas and guides response selection and creativity. Finally, our computational model correctly predicts the speed and quality of human creative responses, as well as interindividual differences in creative abilities. Altogether, this model introduces the mechanistic role of valuation in creativity. It paves the way for a neurocomputational account of creativity mechanisms. Public Significance Statement This study addresses the role of individual preferences in creativity. It demonstrates that preferences for ideas energize creative idea production: the more participants like their ideas, the faster they provide them. Moreover, preferences rely on an equilibrium between the adequacy and originality of ideas and vary across individuals. This study introduces a computational model which incorporates individual preferences and that correctly predicts the speed and quality of responses in a creative idea generation task, as well as inter-individual differences in creative abilities. Comparison of several versions of this model demonstrated that preferences guide the selection of creative responses.