Een recente wetenschappelijke studie werpt nieuw licht op de verschillen tussen menselijke cognitie en kunstmatige intelligentie. Het onderzoek concludeert dat mensen aanzienlijk beter presteren dan multimodale grote taalmodellen (MLLM's) wanneer zij gevraagd worden om visuele prikkels te beschrijven die lastig te benoemen zijn. Dit vermogen, aangeduid als associatieve creativiteit, stelt mensen in staat om onverwachte maar passende verbanden te leggen bij ambigue beelden, iets waar AI-modellen moeite mee hebben.
De studie, getiteld "Testing Associative Creativity in Humans and Multimodal LLMs with Difficult-to-Name Visual Stimuli", onderzocht hoe beide groepen reageren op abstracte beelden die niet direct gekoppeld kunnen worden aan bekende concepten. In de context van dit onderzoek kan het proces van cambridge.org worden gezien als een systematische evaluatie van hoe conceptuele associaties worden ingezet in communicatie en in hoeverre machines dit proces kunnen simuleren.
Om de creativiteit objectief te kunnen meten, maakten de onderzoekers gebruik van twee specifieke datasets. Volgens de publicatie op arxiv.org werd de dataset 'SilCC' ingezet, waarbij de moeilijkheidsgraad van het benoemen werd verhoogd door abstracte vormen in steeds complexere combinaties te presenteren. Daarnaast werd de 'PixCC'-dataset gebruikt, waarbij de uitdaging bestond uit een toenemende hoeveelheid willekeurige visuele ruis die aan de beelden werd toegevoegd. De prestaties van zowel de menselijke participanten als de state-of-the-art AI-modellen werden getoetst op basis van twee kerncriteria: de originaliteit en de effectiviteit van de beschrijvingen.
De resultaten tonen aan dat mensen veel diversere associatieve beschrijvingen genereren dan de AI-modellen. De onderzoekers stelden vast dat menselijke reacties een hogere entropie en een grotere semantische afstand vertoonden. Dit betekent dat mensen vaker gebruikmaakten van vernieuwende uitdrukkingen die afweken van de standaard referentielexica. Terwijl AI-modellen neigen naar statistische patroonherkenning, vertonen mensen een unieke vorm van creatieve cognitie.
Er werden echter ook beperkingen aan de menselijke prestaties waargenomen. De effectiviteit van de beschrijvingen nam af naarmate de beelden in de SilCC-dataset complexer werden. Een interessant fenomeen deed zich voor bij de PixCC-dataset: wanneer de visuele ruis toenam, pasten mensen hun strategie aan. Zij schakelden over van holistische associaties — waarbij men een geheel ziet — naar het beschrijven van visuele eigenschappen op een lager niveau.
Het onderzoek is op 20 oktober 2026 ingediend door een team bestaande uit Manar Ali, Lisa Gottschalk, Simeon Junker en anderen. Het werk, dat momenteel in review is, valt binnen de vakgebieden computervisie en computationele taalwetenschap. De volledige technische analyse en de statistische onderbouwing van de originaliteitsscores zijn beschikbaar via de .
Hoewel AI-modellen steeds geavanceerder worden in het herkennen van concrete objecten, suggereert deze studie dat de kloof tussen machine en mens blijft bestaan bij het interpreteren van ambiguïteit. De neiging van AI om minder diverse en minder originele termen te gebruiken, onderstreept dat associatieve creativiteit vooralsnog een specifiek menselijk kenmerk is. Voor meer details over de gebruikte modellen kan men de volledige PDF raadplegen op de .