在流畅的思维过程中，体验到全神贯注和高效表现与创造性思维的不同方面有关

《Consciousness and Cognition》：Experiences of absorption and smooth performance during flow are linked to different aspects of creative thinking

　　米卡·科伊维斯托
芬兰图尔库大学心理学系

**摘要**
“心流”是一种深度沉浸感与流畅、无需费力的表现状态，常被与创造力联系在一起。然而，它与创造性思维核心认知机制之间的具体关系仍不明确。本研究（n=400）探讨了心流的流畅性与沉浸感如何与发散性思维（通过“替代用途任务”AXT测量）相关，以及它们如何与自发的联想流畅性（通过“前向流动任务”测量）相关。研究重点关注AXT过程中的状态心流，参与者需要为常见物品发明创造性的用途。AXT引发了部分心流状态，尤其是流畅性方面并未完全实现。流畅的表现与想法产量的增加有关，但降低了创造力，特别是在需要对语义丰富的刺激作出反应时需要抑制常规联想的情况下。相反，沉浸感与创造力和语义距离呈正相关，这表明深度的注意力投入可能有助于访问远距离的联想并促进创造性思维。自发的联想流畅性（FF）独立于心流预测了AXT中的原创性和创造力。结果表明，在创造性的用途生成过程中所经历的状态可以被视为一种部分心流或微心流，这种状态并不满足完整心流的所有要求；流畅性和沉浸感组分的相对强度与输出的质量和数量之间存在权衡关系。

**1. 引言**
“心流”指的是一种特定的意识状态，其特征是在活动中达到深度沉浸和最佳功能状态（Csíkszentmihályi, 1975, 2014）。心流可以作为一种短暂的体验状态出现（状态心流），也可以作为一种倾向性特征（倾向性心流），这两种形式都与不同领域的创造性表现有关联——尽管相关证据并不一致，包括音乐、舞蹈和工作。尽管心流在理论上有核心地位，但明确探讨其与创造性思维核心机制（特别是发散性思维）关系的实证研究仍然稀缺且结论不一。发散性思维涉及为开放式问题生成多种、多样且新颖的想法或解决方案，例如为常见物品创造出新的用途。

**1.1. 心流与创造力**
自心流概念提出以来，它就被广泛认为与创造力相关。心流的概念源于Csíkszentmihályi的观察：当绘画工作进展顺利时，艺术家会全神贯注，忽略饥饿、疲劳和不适感；但一旦完成创作，他们会迅速失去兴趣（Nakamura & Csikszentmihályi, 2002）。Csíkszentmihályi认为，是创造的主观体验而非外部奖励驱动了创造性活动。因此，他提出了心流概念来解释人们为何为了活动本身而参与其中，而不依赖外部奖励。Csíkszentmihályi（1975, 1990）指出了心流的几个特征：（1）挑战与技能的平衡，（2）行动与意识的融合，（3）明确的目标，（4）明确的反馈，（5）对任务的专注，（6）控制感，（7）自我意识的丧失，（8）时间的感知转变，（9）目的性体验。心流指的是一种高度但主观上无需努力的注意力状态，自我意识较低，且在任务难度与个人技能水平相匹配时出现（De Manzano, 2020）。

心流已被证明能提高表现，尤其是在体育（Jackson et al., 2001）、音乐创作（Byrne et al., 2003, MacDonald et al., 2006）和即兴创作（Rosen et al., 2024）等领域。尽管心流和创造力从一开始就紧密相关，但关于两者关系的定量研究较为有限（Cseh, 2016, Cseh et al., 2015）。Lavoie和Main（2024）指出，以往关于绘画或音乐等领域心流与创造力的研究主要集中在创意过程的后期阶段，此时想法已经产生并通过实际行动实现。而创意过程的早期阶段——即想法生成阶段——却鲜有关注。只有少数研究定量探讨了心流如何影响涉及发散性思维的任务中的创意想法质量——这是创意过程早期的重要认知环节。发散性思维通过没有预设正确答案的开放式任务进行评估（Guilford, 1967）。Cseh等人（2015）发现心流与视觉发散性思维之间没有显著关联。相反，在虚拟现实中进行的一项研究中，设计任务的创意质量与心流呈正相关（Yang et al., 2019）。最近的一项研究（Lavoie & Main, 2024, 实验1）表明，在之前的不相关任务中体验到心流会对随后的语言发散性思维任务产生负面干扰效果。然而，发散性思维任务本身所体验到的心流如何影响同一任务的表现仍需进一步研究。

可以理解的是，大部分心流研究都集中在那些通过练习可以实现自动化、表现易于监控和控制的活动上，这些活动具有明确的目标和成功标准（Cseh, 2016, Peifer et al., 2022）。许多创造性领域，尤其是创造性思维，并不完全符合心流的概念，因为创造性思维需要产生新颖、原创且在特定情境下适用或实用的内容（Runco & Jaeger, 2012），而这可能仅通过高度程式化的过程难以实现。因此，本研究的目的是探讨在发散性思维过程中体验到的心流（如果存在的话）与典型喜爱活动中自我报告的心流模式有何不同。

心流可以从两个互补的理论视角来解释：领域基础模型和专家基础模型。领域基础模型（Baer, 1998, Baer and Kaufman, 2005, Csikszentmihályi, 1990）强调心流取决于任务领域的结构特性，如目标的清晰度、反馈的即时性和问题定义。专家基础模型（Csikszentmihályi, 1997, Ericsson, 1996, Sawyer, 2012）则认为心流主要取决于任务要求与个体技能水平之间的匹配程度。应用于如AXT这样的发散性思维任务（Guilford, 1967）时，这两种模型都预测完全心流的实现条件有限。从领域基础视角看，AXT提供的外部结构较弱：目标定义模糊，执行过程中缺乏反馈，解决方案标准主观，这应会限制心流的沉浸感方面。从专家基础视角看，AXT提供的专业发展空间有限，因为它时间较短且对知识依赖度低，表明流畅的表现可能不反映挑战与技能的平衡。因此，这两种模型都预测在AXT中，心流更可能表现为部分心流或微心流（Engeser, 2012, Lavoie and Main, 2019, Nakamura & Csikszentmihályi, 2002），缺乏完整心流的一些特征，并且持续时间较短、强度较低。目前仍需通过实证研究来探讨AXT等发散性思维任务中的心流表现。

**1.2. 创造性思维中的认知过程**
根据创造力的双重过程理论，创造性思维涉及的认知过程需要自发的联想过程和受控制的执行过程（Beaty et al., 2014, Beaty and Kenett, 2023, Benedek et al., 2014）。新颖、原创的想法是通过以新的方式结合远距离关联的概念形成的（Beaty & Kenett, 2023）。在想法生成阶段，联想过程和语义记忆的结构支持对这类远距离概念的访问（Beaty et al., 2023, Mednick, 1962）。此外，还需要受控制的执行过程和注意力控制（Beaty et al., 2014, Beaty and Kenett, 2023）来搜索记忆以获取远距离概念。重要的是要抑制语义上接近的概念和强烈的联想的激活，以防止它们干扰对远距离概念的搜索和访问。因此，一种无需费力的心理状态可能并不适合创造性思维。虽然深度沉浸可以通过激活远距离语义联想来促进创造性思维，但这种无需努力的注意力和创造性任务中的自发、流畅进展可能会阻碍新颖想法的形成。这在面对语义关联丰富的刺激时尤为成问题（Beaty et al., 2023）。根据自由联想规则（Nelson et al., 2004），丰富的语义线索（RSCs）与许多强烈相关的概念相连，而稀缺的语义线索（SSCs）的相关概念较少，因此它们的语义邻域较为有限。因此，在发散性思维任务中应对RSCs时，许多语义上接近的概念可能会自动激活，需要抑制。在心流状态下体验到无需努力和自发的处理可能与无法抑制这些接近的概念有关，从而阻碍了更远距离概念的访问，阻碍了新想法的生成。

**1.3. 创造性思维与心流的组成部分**
分别研究心流的沉浸感和无需努力的方面可能有助于更细致地理解心流与发散性思维之间的关系。“活动沉浸”（ABA）——反映深度注意力投入的心流维度——和“表现流畅性”（FP）——反映任务执行的轻松性和生产力——似乎能捕捉到心流的沉浸感和无需努力的方面。ABA可以通过诸如“我没有注意到时间的流逝”或“我完全沉浸在正在做的事情中”等陈述来衡量，而FP则通过“我的想法流畅自然地涌现”或“正确的想法自然而然地出现”等陈述来体现。

本研究利用这种区分来探讨这些具体的心流维度如何与发散性思维表现相关，后者通过AXT（Guilford, 1967）进行测量。我们假设心流的沉浸感方面将与发散性思维中的创造力和原创性呈正相关，因为更深入的投入可能通过激活远距离语义联想来促进非传统的思维。相反，我们预计无需努力的方面将与生产力（即流畅性，产生的想法数量）呈正相关，但与原创性呈负相关，这暗示了创造性认知中可能存在数量与质量之间的权衡。进一步假设，无需努力的方面可能与针对语义关联丰富的刺激的回答的原创性呈负相关。这是因为RSCs需要抑制强烈的联想，这在自发表现过程中可能不会发生。

认知神经科学研究表明，创造力和心流都源于大规模脑网络之间的动态互动，特别是默认模式网络（DMN）和前额执行控制系统（Barnett and Vasiu, 2026, Chrysikou, 2019），但方式不同。创造力越来越多地被理解为DMN支持的生成过程（与内导向认知、记忆检索和联想思维相关）与执行控制区域支持的评估或目标导向过程（Beaty et al., 2015; Beaty et al., 2018）之间的协作结果。这些网络和显著性网络在创造性认知过程中并非完全对立，而是暂时耦合，允许自发的想法生成受到自上而下的控制过程的限制和精炼。关于心流的神经基础的新研究同样强调了DMN-执行控制网络互动的重组，表现为内侧DMN区域的自我参照活动减少，以及任务相关执行控制区域的持续参与，支持专注的注意力和表现（Barnett & Vasiu, 2026）。在这一框架下，心流的不同体验质量可能反映了不同网络贡献：执行控制区域可能支撑着高度专注、沉浸感强的心流（APA），而DMN自我监控的减少和内在生成的加工可能有助于最佳表现期间常报告的无需努力的主观感觉（FP）。

为了进一步理解创造性认知和心流，我们将心流与一个类似但在理论上不同的概念进行对比：即“前向流动”（FF）（Gray et al., 2019）。FF要求参与者根据一个提示词说出第一个想到的词，然后继续根据刚刚想到的词说出下一个词，依此类推。连续词关联之间的语义距离被测量出来，较大的距离表示思维受到的限制较少。根据创造力的联想理论（Beaty和Kenett，2023年；Mednick，1962年），这一测量反映了认知的联想成分：个体在自发思考过程中能接触到多么遥远和出人意料的语义联系——这是原创想法的一个关键特征（Beaty & Kenett，2023年）。与状态流的沉浸式和集中式特性不同，FF捕捉到的是一种更为松散、自发的心理过程，这对于创造性思维的原创性可能尤为重要，因为创造性思维涉及以新的、创新的方式结合遥远相关的想法。事实上，已经证明FF可以预测原创性（Beaty等人，2021年；Gray等人，2019年）。因此，通过FF测量的自发联想思维过程本身并不直接反映创造力，因为参与者并没有被要求具有创造性或原创性，但它确实是产生想法阶段思维过程的一个重要组成部分。在本次对FF的调整中，测量了提示词与其后的每个关联之间的距离，以便得分能够反映这些关联与起始词有多么遥远。

1.4. 研究问题和假设
为了明确状态流在发散性思维中的表现方式及其与发散性思维认知标志的关系，本研究重点关注以下两个方面：(i) 在自动思维任务（AUT）执行期间的状态流及其组成部分——活动的沉浸感（ABA）和表现的流畅性（FP）（Engeser和Rheinberg，2008年；Rheinberg等人，2003年），以及(ii) 通过前向流动任务（Forward Flow task）测量的自发联想思维（Gray等人，2019年）。发散性思维的表现是通过替代用途任务（Alternative Uses Task，AUT；Guilford，1967年）进行评估的，使用了多种结果指标：流畅性（生产力，即想法的数量）、创造力或创意质量（对想法整体创意质量的客观指标，考虑了原创性和适当性；参见2.4.3节），以及在SemDis平台上客观计算的语义距离（Beaty & Johnson，2021年），我们将其视为原创性的一个指标。具体来说，因为原创想法是通过结合遥远相关的概念产生的（Mednick，1962年），所以在AUT中，语义距离被量化为对象探针与每个生成用途之间的语义距离（较大的距离表示更为遥远的反应和更高的原创性，参见Acar等人，2023年；Beaty等人，2022年；Beaty和Johnson，2021年）。此外，灵活性被客观地定义为参与者自己AUT回答之间的语义分散程度，使用了Grajzel等人（2023年）建议的程序的修改版本。灵活性被量化为参与者对探针提供的所有回答组合的语义距离（Beaty & Johnson，2021年）。这允许更细致地测量灵活性，即想法在语义网络中的距离，而不仅仅是像传统方法那样简单地计算类别的数量或类别转换。

第一个研究问题（RQ1）是：在发散性思维（AUT）过程中是否可以达到状态流？这个问题是探索性的。流理论强调诸如明确的目标和即时、明确的反馈等先决条件（Csikszentmihályi，1990年；Nakamura和Csikszentmihályi，2002年），而AUT是开放式的且有时间限制的，提供的表现反馈有限（Guilford，1967年）。因此，参与者在AUT过程中是否真的体验到了状态流，以及这种体验的程度和特征是什么，仍然是一个实证问题。

第二个研究问题（RQ2）是：在发散性思维过程中，ABA和FP两个状态流的组成部分强度是否有所不同？发散性思维需要联想过程和执行控制，包括战略性搜索和抑制主导性关联（Beaty等人，2014年；Beaty和Kenett，2023年；Benedek等人，2014年）。这些要求可能会促进强烈的注意力沉浸（ABA），但同时可能会减少主观上的无努力、顺畅进行的感受（FP），因为受控制的搜索可能会被感知为费力的。预计（H1）在AUT过程中，FP的平均值会比ABA更低，这与人们在喜欢的活动中的状态流模式相反。

第三个问题（RQ3）是：作为整体状态流的指标——即Flow Scale Short（FFS）（Engeser和Rheinberg，2008年；Rheinberg等人，2003年）的总平均分数——与AUT的结果有何关联，语义线索的丰富度（RSC vs SSC）是否调节了这些关系？我们研究了在AUT过程中体验到的整体状态流与(a) 流畅性（生产力，即想法的数量），(b) 创造力，(c) 语义距离（即原创性），以及(d) 基于语义分散的灵活性之间的关系。我们进一步测试了这些关系在丰富的语义线索（RSCs）与稀缺的语义线索（SSCs）之间是否存在差异。RSCs会引发许多强烈的、常规的联想（Nelson等人，2004年；Beaty等人，2023年），这可能增加了达到遥远想法所需的抑制控制。这使得线索丰富度成为一个理论上有根据的调节因素，尤其是在与原创性相关的结果中。可以假设（H2a）更高的整体状态流将与AUT的生产力（即流畅性，即回答的数量）呈正相关。此外（H2b），整体状态流与AUT的创意质量、语义距离和灵活性之间的关联预计会更弱或呈现混合关系，因为整体状态流汇总了可能以不同甚至对立方式影响发散性思维结果的组成部分（ABA和FP）（参见RQ4）。因此，我们的主要预测是在组件层面制定的：
ABA和FP与生产力、创意质量、语义距离和灵活性之间有何不同的关联——对于RSCs或SSCs，这些关联是否更强（RQ4）？区分状态流的沉浸式（ABA）和无缝/自动（FP）方面应该能澄清状态流在发散性思维中是支持数量还是质量。ABA可能促进持续的参与和对语义空间的更深入探索，而FP可能反映了对于流畅的、主导性关联的依赖——尤其是在线索语义丰富的情况下。因此，可以假设（H3a）更高的ABA将与AUT的创造力、语义距离和灵活性呈正相关。此外（H3b），更高的FP将与AUT的生产力（即流畅性）呈正相关；而（H3c）更高的FP将与AUT的创意质量、语义距离和灵活性呈负相关，这与主观上无努力的想法生成可能更倾向于常规反应的观点一致。进一步地（H3d），预计FP与创意质量、语义距离和灵活性的负相关关系在RSCs中会比在SSCs中更强，因为RSCs激活了更强的主导性关联，这些关联需要被抑制才能达到更遥远的想法（Nelson等人，2004年；Beaty等人，2023年；Beaty和Kenett，2023年）。另外，预期设置大小的操纵（SSC vs RSC）会重复之前的发现，即对RSCs的反应比SSCs更流畅，而语义距离对SSCs来说比RSCs更高（Beaty等人，2023年）。

最后，研究了（RQ5）通过前向流动（FF）测量的自发联想流是否反映了Csíkszentmihályi（1975年）所描述的“流”现象，并且它是否可以预测超出Csíkszentmihályi流范围的AUT结果。前向流动（FF）捕捉了个体在自我传播的链条中达到遥远关联的程度（Gray等人，2019年）。先前的研究表明，FF的语义距离可以预测AUT中的原创性（Gray等人，2019年；Beaty等人，2021年）。因此，我们测试FF是否可以解释超出整体状态流以及ABA和FP范围之外的AUT结果的独特变化。自发联想处理不需要任何特定领域的专业知识，也不需要深入任务的沉浸，因此可以预期它是影响AUT表现的一个独立因素。可以假设（H4）FF的语义距离将是AUT语义距离和创意质量的正面独立预测因子；当将其与整体状态流或ABA和FP一起纳入同一模型时，它仍然是一个统计上显著的预测因子。

2. 方法
2.1. 参与者
通过Prolific服务（prolific.com）招募了400名年龄在18至65岁之间的参与者。他们每人的参与费用为4.00英镑，预计参与时间约为30分钟。这些参与者来自一个更大的预先注册项目（https://osf.io/7pe4d?mode=&revisionId=&view_only=）的普通人群子样本，该项目旨在研究心理病理学与创造力之间的关系，流体验是潜在的中介变量之一。邀请对象是那些主要使用英语且居住在英国、美国、爱尔兰、澳大利亚或新西兰的参与者，并且在Prolific上的批准率为98-100%，并且没有阅读障碍。使用Prolific的配额抽样程序来平衡性别分布。参与者必须使用台式机或笔记本电脑来完成研究。在400名参与者中，有39人自愿退出，1人未能通过指导检查，还有3人在Prolific自动确定的87分钟最大完成时间内保持不活跃状态。Prolific会自动用新参与者替换退出或完成时间过长的参与者。

最终样本中参与者的平均年龄为39.2岁（标准差=12.1岁），年龄范围从18岁到65岁。其中，199人为女性，201人为男性。参与者报告的最高教育水平或最接近的教育水平根据八个选项进行统计：无正式教育（n=1人），小学（n=2人），高中毕业证书或同等学历（n=90人），职业/技术学校（n=34人），副学士学位（n=21人），学士学位（n=162人），硕士学位（n=75人），博士学位（n=15人）。

本研究在每位参与者理解并自愿同意《赫尔辛基宣言》的情况下进行。所有程序均符合相关法律法规和机构指南，并已获得芬兰图尔库大学人类科学伦理委员会的批准（数据日期2025年5月20日，批准编号TY/866/2025）。

2.2. 一般程序
研究使用PsyToolkit（Stoet，2010年；Stoet，2017年）在线进行。在研究开始之前，参与者被告知研究包含注意力检查，并且如果他们在太多检查中失败，他们的贡献可能会被拒绝；他们被告知可以通过立即关闭浏览器或在研究过程中的任何时间退出。此外，在继续实际研究之前，参与者必须通过解决CAPTCHA来证明他们是人类。

在收集人口统计信息之后，按以下顺序进行了与本研究相关的量表和任务：倾向性FFS（参见2.3节），前向流动（参见2.4.1节），AUT（参见2.4.2节），以及状态FFS（参见2.3节）。由于数据是在一个更大项目背景下收集的，因此在同一测试会话中还填写了其他量表（这些数据与本研究无关，因此在这里不报告）：一个测量轻躁狂的量表在倾向性FFS之前进行，随后是一个测量情绪的量表。之后完成了FF和AUT。在进行AUT之后立即填写了测量流动状态的FFS量表。在状态FFS之后，还完成了另外两个量表。

2.3. 量表
流动状态使用Flow Scale Short（FFS）（Engeser和Rheinberg，2008年；Rheinberg等人，2003年）进行测量。该量表是公开可用的，并且可以适应任何目的。基本的FFS包含10个项目，需要在7点李克特量表上回答。它可以分为两个子量表：“表现的流畅性”（FP：项目2、4、5、7、8、9；例如，“我的想法/活动进行得很流畅和顺利”）和“活动的沉浸感”（ABA：项目1、3、6、10；例如，“我完全沉浸在正在做的事情中”）。此外，FFS还包括三个额外的问题，用于测量对给定任务的感知重要性；然而，这些问题在当前研究中没有使用。

为这项研究创建了两个版本的FFS：一个用于测量倾向性流动，另一个用于评估在替代用途任务中体验到的流动状态。在状态版本中，陈述被修改为过去时态（例如，“我的想法进行得很流畅和顺利”），并要求参与者评估他们在刚刚完成的特定任务中的感受（1=完全没有，2=稍微有点，3=有点，4=中等程度，5=相当多，6=很多，7=非常多）。在倾向性版本中，参与者被告知这些陈述指的是他们参与最喜欢活动（例如，运动、音乐、工作、艺术等）时的总体体验，并被要求指出他们通常在这些活动中体验到每种感受或情况的频率（1=从不，2=很少，3=几乎从不，4=有时，5=经常，6=经常，7=总是）。克朗巴赫α系数（Cronbach’s α）为0.84，用于评估在执行“替代用途任务”（Alternate Uses Task）后整个FSS的流畅状态；对于FP子量表为0.85，对于ABA子量表为0.60。对于倾向性FSS（dispositional FSS），相应的系数分别为0.81、0.86和0.55，分别对应整个量表、FP和ABA。

2.4. 任务
进行了两项任务：前向流畅性任务（Forward Flow, FF），用于测量联想的自发性流畅性；以及替代用途任务（Alternate Uses Task, AUT）。这两项任务都使用了相同的8个刺激物：4个语义贫乏的线索（SSCs）和4个语义丰富的线索（RSCs），这些刺激物被平衡设计，以便每位参与者在仅一项任务中接触到每个刺激物。语义贫乏的线索包括刷子（brush）、锤子（hammer）、镜子（mirror）和伞（umbrella），这些物品没有很多语义上接近且容易联想到的词汇。语义丰富的线索包括桶（barrel）、篮子（basket）、足球（football）和裤子（pants），这些物品有很多语义上相关的词汇。根据南佛罗里达大学自由联想规范数据库（University of South Florida Free Association Norms）的数据（Beaty等人，2023年；Nelson等人，2004年），语义丰富线索的平均联想数量（M = 22，SD = 2.5）高于语义贫乏线索（M = 7.3，SD = 0.95；t(6) = 11.21，p < 0.001）。语义贫乏线索和语义丰富线索之间的词汇频率和具体性也进行了匹配（详情见Beaty等人，2023年）。因此，每位参与者在FF任务中会使用两个语义贫乏线索和两个语义丰富线索作为提示词，在AUT任务中则使用另外两个语义贫乏线索和两个语义丰富线索作为探针词。

2.4.1. 前向流畅性任务（FF）
在前向流畅性任务中，指导语告诉参与者：“在接下来的任务中，你会看到一个单词，并被要求写下你脑海中紧接着出现的单词。然后点击‘继续’，任务会继续，你将再次被要求写下从你刚刚想到的单词中浮现出的下一个单词，依此类推。请输入单个单词，不要输入品牌名称、人名或虚构角色等专有名词。”指导语之后还有一个页面上的确认问题：“根据上述说明，在接下来的任务中，你可以写下什么样的单词？”参与者需要从其他选项（如品牌名称、人名、专有名词、虚构角色）中选择“单个单词”才能继续任务。如果未选择“单个单词”，指导语和确认问题将会重复显示。如果参与者连续三次回答错误，研究将自动结束。
当确认问题成功完成后，FF任务开始，页面上会显示一个提示词（语义贫乏线索或语义丰富线索），参与者输入回答并点击“继续”后，系统会进入下一页，显示该提示词后面随即想到的单词，然后需要再次输入这个单词。这一过程会持续到产生10个回答为止。每位参与者完成任务四次，两次从语义贫乏线索开始，两次从语义丰富线索开始，顺序是随机的。

2.4.2. 替代用途任务（AUT）
共进行了四项AUT任务，其中两项使用语义贫乏线索作为探针词，两项使用语义丰富线索作为探针词，顺序也是随机的。针对每个探针词有90秒的思考时间，之后探针词会自动更换。任务指导与Koivisto和Toivanen（2024年）的研究中的指导相同，强调了创造性质量（参考Beaty和Johnson（2021年）的研究）。参与者被要求为某个物品想出原创且富有创意的用途。目标是提出一些被认为聪明、不寻常、有趣、独特、幽默、创新或不同的想法。你可以尽可能多地输入想法，但创造力比数量更重要。例如，对于“砖头”这样常见的物品，像“用来砌墙”这样的回答属于传统用途，因此不是创意回答，应避免此类回答。

2.4.3. 前向流畅性任务（FF）和替代用途任务（AUT）的评分
FF和AUT中的语义联想评分采用了SemDis平台（Beaty & Johnson, 2021）进行自动、客观的评分。SemDis在五个广泛的语义空间（两个潜在语义分析模型TASA、GloVe；三个连续词袋模型CBOW）中计算语义距离，并计算这些空间中的平均距离值。语义距离值的理论范围是0到2，数值越高表示回答与提示词的语义关联越远（实际操作中，数值通常集中在1附近）。为了处理包含多个单词的回答，使用了“乘法”组合模型。此外，回答在处理前还经过了“去除填充词和干净文本”处理，以去除可能干扰语义距离计算的“停用词”（如the、an、a、to）和标点符号。参与者在回答AUT探针词时通常会以“使用”、“建造”等表达开头。我们从回答的开头去除了这些词，因为它们可能会影响语义距离评分。有时参与者会在回答中重复探针词（例如，“用篮子当猫床”）。同时，也去除了回答中探针词的重复部分，因为一个词与自身的距离为0，在乘法组合模型中重复的探针词会降低语义距离评分。

在FF的评分中，每个参与者的每个回答都与提示词配对，每个提示词共有10组配对。在AUT中，回答也与探针词配对，这些配对被提交到SemDis平台进行评分。对于每组配对，我们使用了五个语义空间中的平均语义距离值。为了形成用于统计分析的分数，每位参与者的每个提示词/探针词对的语义距离分数分别进行了平均处理，分别针对语义贫乏线索（SSC）和语义丰富线索（RSC）。

对于FF，所得的语义距离分数表示联想在语义空间中的延伸程度。AUT的分数客观衡量了回答的原创性，因为AUT探针词与回答之间的语义距离与原创性高度相关（Acar等人，2023年；Beaty等人，2022年；Beaty和Johnson，2021年）。SemDis平台还用于计算AUT回答的灵活性，使用了Grajzel等人（2023年）建议的修改版本的分析方法。每位参与者对每个探针词的所有回答被配对（response1-response2、response2-response3等），然后使用SemDis在五个语义空间中计算每对的平均语义距离。这些分数分别针对语义贫乏线索（SSC）和语义丰富线索（RSC）条件进行了平均处理。这种方法比传统方法（仅计算不同类别的数量或类别转换次数）提供了更细微的灵活性度量。

AUT回答的创造性评分使用了Ocsai模型（Organisciak等人，2023年）。这是一个基于神经网络的大语言模型，已经通过大量人类评估的AUT回答数据进行了训练和评估，其与人类评分者的相关系数达到了r = 0.81。Ocsai输出的分数称为“原创性”，采用1到5的评分等级。然而，由于用于训练Ocsai的研究中显示人类评分者确实考虑了回答的创造性（Organisciak等人，2023年），在本研究中我们将该分数称为“创造性”，以区别于SemDis计算的分量纯粹基于语义的距离得分（即语义距离），后者无法考虑回答的适当性——这是创造性的一个关键方面（Runco & Jaeger, 2012年）。为了验证Ocsai确实衡量了创造性，三名对Ocsai评分不知情的评分者根据1（无创造性、常规回答或无意义的回答）到5（高度创造性、原创且适当的回答）的评分标准对AUT回答的创造性进行了评分。评分者间的可靠性（ICC，模型=“twoway”，类型=“consistency”，单位=“average”）分别为SSC为0.81，RSC为0.86，SSC和RSC综合得分为0.89，表明评分者间有良好的一致性。人类评分的创造性得分与Ocsai评分在个体平均AUT分数上的相关性分别为：SSC为r = 0.86，RSC为r = 0.86，SSC和RSC综合得分为r = 0.90。人类评分的创造性得分与SemDis计算的语义距离得分的相关性较弱：SSC为r = 0.40，RSC为r = 0.42，SSC和RSC综合得分为r = 0.52。因此，Ocsai衡量的是AUT回答的创造性，而SemDis衡量的是回答在语义上的距离。

AUT任务的流畅性得分是通过计算对探针词的回答平均数量来得出的，分别针对两个语义贫乏线索探针和两个语义丰富线索探针。个体的创造性、语义距离和灵活性得分也是分别计算的：首先计算每个参与者对每个探针词的回答（或回答对）的平均值，然后计算对两个语义贫乏线索和两个语义丰富线索的回答的平均值，从而得到各自的得分。

2.5. 统计分析
描述性统计、相关性和简单效应分析使用了Jamovi 4.4.11（The jamovi project, 2024）以及R（R Core Team, 2021）提供的线性混合效应模型，并结合了lme4（Bates等人，2015）和lmertest（Kuznetsova等人，2017）软件包。模型结果用sjPlot包（Lüdecke, 2024）进行了可视化处理。

分类变量“线索大小”（语义贫乏线索 vs. 语义丰富线索）采用简单编码，因此线性混合效应模型中的“主效应”和交互作用可以像标准方差分析那样解释。所有其他变量都是连续的。在将连续变量（FSS量表、FF和AUT变量）放入线性混合效应模型之前，使用Blom的程序（Mangiafico, 2023）进行了归一化和标准化（M = 0，SD = 1），以确保残差的正态性。使用R中的performance包检查了固定效应之间的共线性，所有模型中均不存在共线性问题（VIFs < 3）。

模型分两个阶段进行。在第一阶段，仅使用FSS的总结得分、线索大小及其交互作用作为固定效应；在第二阶段，FSS的子量表（FP、ABA）、线索大小（SSC、RSC）及其交互作用作为固定效应。年龄和教育水平在所有模型中作为协变量。此外，流畅性在所有AUT变量模型中也被用作协变量（AUT变量模型除外），因为已知流畅性是AUT分析中的混淆因素（Dygert & Jarosz, 2020）。

另外，当AUT结果变量为总体FSS时，还考虑了全局倾向性流畅性作为协变量，并比较了包含和不包含倾向性流畅性协变量的模型拟合度。使用R的anova()函数进行了比较，结果发现包含倾向性流畅性协变量的模型拟合度显著更好（仅对于流畅性模型，χ2 = 13.94，p < 0.001）。因此，将包含总体倾向性流畅性协变量的模型结果纳入了结果部分进行报告。相应地，使用FP和APA作为预测变量的模型分别在以下情况下进行了运行：(a) 将全局性倾向流（global dispositional flow）作为协变量；(b) 将倾向性FP和ABA作为协变量。倾向性流仅在流畅性（fluency）模型中对模型拟合产生了影响。以全局性倾向流（FFS）作为协变量的模型在流畅性模型中显示出最佳拟合效果，卡方值（χ2）为14.23，p值小于0.001，其结果在结果部分有所报告。

3. 结果
数据和R脚本可以在OSF.io上获取：https://osf.io/cvmkz/?view_only=1911e6c3596e49f39b6a949bde40ba77。

3.1. 描述性统计和相关性
表1展示了年龄、教育水平和流动变量（flow variables）的描述性统计信息以及它们之间的相关性。年龄和教育水平与任何变量之间都没有相关性，而所有流动变量之间都存在相关性。倾向性流得分与状态流得分之间的相关性相对较弱（r = 0.35），这表明它们部分重叠但代表了不同的现象。

表1. 背景变量与流动变量之间的相关性，以及描述性统计信息。

空单元格
年龄 教育水平 倾向性流 DF-FP DF-ABA 状态流 SF-FP SF-ABA
年龄—教育水平 -0.044 -0.040 -0.071 -0.063
教育水平—倾向性流 0.079 0.040 0.099 0.085
倾向性流—状态流 0.099 0.040 0.108 0.103
倾向性流—DF-FP 0.040 -0.045 0.705
状态流—倾向性流 0.071 -0.027 0.210

平均数 39.20 5.33 4.85 4.97 4.67 4.39 4.39
标准差 12.10 1.57 0.81 1.02 0.86 1.14 1.34 1.19

95%置信区间下限 38.10 5.18 4.77 4.87 4.59 4.28 4.26
95%置信区间上限 40.40 5.49 4.93 5.07 4.76 4.50 4.52

注：* p < 0.05，** p < 0.01，*** p < 0.001。
倾向性流（Dispositional Flow）= 倾向性流动，DF-FP（DF-FP）= 表现的倾向性流动（Dispositional Flow of Performance），DF-ABA（DF-ABA）= 活动的倾向性吸收（Dispositional Absorption by Activity），状态流（Flow State）= 表现的状态流（State Flow of Performance），SF-FP（SF-FP）= 表现的状态流吸收（State Flow Absorption by Activity）。

图1A显示了倾向性FSS（Dispositional FSS）和状态FSS（State FSS）的平均得分分布（RQ1）。倾向性FSS的平均得分（M = 4.9）和状态FSS的平均得分（M = 4.4）（图1A）与各种人群中的典型平均得分范围（4到5分）一致（Rheinberg等人，2003年）。尽管这些量表的响应选项不直接可比（倾向性FSS：1 = 从不，7 = 总是；状态FSS：1 = 完全不是，7 = 非常），但比较这些量表的响应模式有助于了解在自动任务（AUT）期间状态流与喜爱活动时的典型流动有何不同（RQ1，RQ2）。一项流动类型（倾向性与状态）× 子量表（FP与ABA）的重复测量方差分析表明，倾向性流得分高于状态流得分，F(1399) = 58.95，p < 0.001，η2p = 0.13。FP得分也高于ABA得分，F(1399) = 11.28，p < 0.001，η2p = 0.03；类型×子量表的交互作用，F(1399) = 20.35，p < 0.001，η2p = 0.05，表明特别是在状态流中FP得分低于倾向性流得分（RQ2）。

下载：下载高分辨率图片（100KB）
下载：下载全尺寸图片

图1. 上图（A）显示了倾向性流和状态流得分的密度图，下图（B）展示了每个项目的倾向性和状态流得分。注：Bonferroni校正后的p值：*p < 0.05，**p < 0.01，***p < 0.001。B中的误差条代表95%置信区间。项目1、3、6和10属于活动吸收（Absorption by Activity，ABA）子量表，项目2、4、5、7、8和9属于表现流畅性（Fluency of Performance，FP）子量表。

为了更详细地了解FP和ABA在子量表之间的差异，我们在项目层面研究了（RQ1，RQ2）在自动任务（AUT）执行过程中报告的状态流与进入喜爱活动时的倾向性流动状态之间的差异。图1B显示了各量表之间的流动模式差异（具体统计信息见补充材料，表S1）。在表现流畅性（FP）子量表中，项目2（我的思路流畅且顺畅）的评分在状态量表中的评分低于倾向性量表，效应量较大。同样，项目4（我能够集中注意力）和项目7（正确的想法自然而然地产生）在状态量表中的评分也低于倾向性量表，效应量较小到中等。此外，项目5（我的头脑完全清晰）和项目9（我感到一切都在掌控之中）在状态量表中的评分也低于倾向性量表，效应量非常小。项目8（我知道每一步该做什么）在两组量表中的评分没有统计学上的显著差异。

在活动吸收（ABA）子量表中的项目（RQ2）中，只有项目3（我没有注意到时间的流逝）在状态量表中的评分低于倾向性量表，效应量较小到中等，这是由于自动任务中的90秒时间限制所致。其他ABA项目的评分（项目1：我感觉挑战适中；项目6：我完全沉浸在正在做的事情中；项目10：我完全沉浸在思考中）在倾向性流和状态流量表之间没有差异。因此，流动模式在量表之间存在差异，支持了假设（H1），即在状态流（在自动任务期间）和倾向性流之间，主要是表现流畅性的方面存在差异。

表2展示了前向流变量（Forward Flow variables）和自动任务变量（AUT variables）的描述性统计信息。

2. 结果变量（Result Variables）的描述性统计信息。

表2. 结果变量的描述性统计信息。

95%置信区间
N 平均值 标准差 下限 上限 最小值 最大值
前向流（Forward Flow） 40 0.86 0.04 0.86 0.49 0.93
前向流SSC（Forward Flow SSC） 40 0.87 0.04 0.87 0.40 0.94
前向流RSC（Forward Flow RSC） 40 0.85 0.05 0.84 0.85 0.59
流畅性（Fluency） 397 4.15 1.78 3.98 4.33 1.00 12.50
流畅性SSC（Fluency SSC） 397 3.98 1.91 3.97 4.17 114
流畅性RSC（Fluency RSC） 400 4.31 1.90 4.12 4.50 111
创造力（Creativity） 397 2.31 0.55 2.25 2.36 1.00 3.90
创造力SSC（Creativity SSC） 397 2.24 0.59 2.18 2.30 1.00 3.80
创造力RSC（Creativity RSC） 400 2.37 0.59 2.31 2.43 1.00 4.00
语义距离（Semantic Distance） 397 0.95 0.05 0.95 0.96 0.67 1.04
语义距离SSC（Sem. Dist. SSC） 397 0.96 0.05 0.96 0.97 0.77 1.05
语义距离RSC（Sem. Dist. RSC） 400 0.95 0.06 0.94 0.95 0.57 1.04
灵活性（Flexibility） 380 0.96 0.05 0.96 0.97 0.68 1.14
灵活性SSC（Flexibility SSC） 383 0.97 0.06 0.96 0.97 0.71 1.27
灵活性RSC（Flexibility RSC） 393 0.96 0.07 0.95 0.96 0.50 1.24

注：SSC = 语义提示贫乏（Scarce Semantic Cue），RSC = 语义提示丰富（Rich Semantic Cue）。

由于一些参与者在自动任务（AUT）中没有对某些语义提示（SSCs）作出任何反应，且灵活性的计算至少需要针对同一提示有2个反应，因此N值有所不同。在前向流（Forward Flow）、语义距离（Semantic Distance）和灵活性（Flexibility）中，值的范围是从0到2，较大的值表示提示/反应之间或灵活性中反应之间的语义距离较大；对于创造力（Creativity），量表的评分范围是从1（不具创造性）到5（高度创造性）；流畅性（Fluency）指的是每次自动任务提示对应的反应数量。

3.2. 全局流动作为预测因子
这里仅报告了与流动或前向流（FF）以及集合大小（Set Size）相关的统计显著效应。完整的线性混合效应模型见补充材料（表S2-S5）。在第一组分析中，使用了流动简短量表（Flow Short Scale，FSS）的全球得分作为预测因子，而没有区分各个子量表（RQ3）。

在替代用途任务（Alternate Uses Task，AUT）中，状态流显著增加了生成的反应数量（与H2a一致），β = 0.18，标准误差（SE）= 0.05，95%置信区间[0.08, 0.27]，t = 3.70，p < 0.001。此外，与丰富语义提示相比，对丰富语义提示的反应更多（B = 0.20，SE = 0.04，95%置信区间[0.12, 0.27]，t = 5.36，p < 0.001）。FF中关联的语义距离并不是流畅性的显著预测因子（RQ5）。

在自动任务中的创造力：对RSCs的反应比SSCs更具创造性，B = 0.27，SE = 0.04，95%置信区间[0.20, 0.35]，t = 6.84，p < 0.001。状态流和集合大小之间也存在显著交互作用（B = 0.08，SE = 0.04，95%置信区间[0.01, 0.16]，t = 2.20，p = 0.028），这表明高流动与对SSCs的反应相比，创造力降低（图2）。这一发现部分支持了我们的假设H2a，即流动可能与发散性思维的结果有关，但方式可能相反（提高流畅性但降低或不影响创造力）。此外，在FF任务中，关联的跨度越大，AUT中的创意越高，β = 0.11，SE = 0.03，95%置信区间[0.06, 0.17]，t = 3.86，p < 0.001。这表明，正如预期的那样（RQ5，H4），流动的独立性对创造力有贡献，超出了状态流的影响。

图2. 模型显示了状态流和集合大小对创造力的影响。注：阴影区域代表95%置信区间。所有值均已标准化。

在自动任务中，对贫乏语义提示（SSCs）的反应与对丰富语义提示（RSCs）的反应相比，相关性更远（B = -0.21，SE = 0.06，95%置信区间[-0.33, -0.10]，t = -3.56，p < 0.001）。此外，状态流与语义距离呈正相关，β = 0.08，SE = 0.04，95%置信区间[0.00, 0.16]，t = 2.07，p = 0.039，这意味着较高的流动得分对应于生成的概念在语义上与提示更为遥远（即更具原创性）。这一发现并不支持我们的假设H2b，即全局流动与语义距离减小或对语义距离没有影响。

在自动任务中，灵活性（Flexibility）——通过反应之间的语义差异来衡量——与全局状态流（RQ3，H2b）、前向流中的关联距离（RQ5，H4）或提示的语义丰富度没有显著相关性。

总之，流动状态与想法生产力增加（即自动任务中的流畅性）有关，但与对语义提示贫乏的响应的创造性质量降低有关。高状态流与相对于提示而言语义上更遥远的概念相关。接下来，区分流动简短量表的子量表FP和ABA可能会提供流动与创造性思维之间关系的更详细图景（RQ4）。

3.3. 流动量表的子量表作为预测因子
完整的线性混合效应模型见补充材料（表S6-S9）。

在自动任务中的流畅性模型（即想法的数量；图3，第一行）显示，对丰富语义提示（RSCs）的反应比对贫乏语义提示（SSCs）的反应更多，β = 0.19，SE = 0.04，95%置信区间[0.12 – 0.27]，t = 5.34，p < 0.001（H3e）。正如假设的那样（H3b），表现的流畅性（FP）与反应数量呈正相关，β = 0.22，SE = 0.06，95%置信区间[0.11 – 0.33]，t = 3.88，p < 0.001。

下载：下载高分辨率图片（561KB）
下载：下载全尺寸图片

图3. 自动任务中流畅性、活动吸收（Absorption by Activity）和集合大小对结果的模型效应。注：阴影区域代表95%置信区间。所有值均已标准化。

在自动任务中，想法的创造力（图3，第二行）对丰富语义提示（RSCs）的反应高于对贫乏语义提示（SSCs）的反应，B = 0.27，SE = 0.04，95%置信区间[0.19 – 0.35]，t = 6.82，p < 0.001；而且，这些想法在前向流（Feed Forward，FF）任务中的关联越深入语义网络，创造性越高（RQ5，H4），β = 0.11，SE = 0.03，95%置信区间[0.06 – 0.17]，t = 3.91，p < 0.001。活动吸收与创造力呈正相关，β = 0.18，SE = 0.05，95%置信区间[0.07 – 0.28]，t = 3.28，p = 0.001（H3a），而表现的流畅性倾向于与创造力降低相关（H3c），β = -0.18，SE = 0.05，95%置信区间[-0.29 – -0.07]，t = -3.28，p = 0.001，特别是在对SSCs的反应中，β = 0.09，SE = 0.05，95%置信区间[0.00 – 0.18]，t = 1.98，p = 0.049。因此，尽管FP与创造性质量有负相关（H3c），但假设的关联对于RSCs而言并不比对于SSCs更强（H3d）。

图3中，相对于自动任务提示（AUT probes），想法的语义距离在贫乏语义提示（SSCs）后比在丰富语义提示（RSCs）后更高，B = -0.21，SE = 0.06，95%置信区间[-0.33 – -0.10]，t = -3.56，p < 0.0这个模式有些令人惊讶，因为在像“替代用途任务”（AUT）这样的创造性任务中，流畅状态的先决条件——例如明确的目标和明确的反馈——并不像在体育或音乐等领域那样明显，在那些领域中，表现可以基于高度程式化的技能（Cseh, 2016）。通过比较AUT期间的状态流畅性和喜爱活动中的倾向性流畅性之间的组成元素以及项目层面的差异（RQ2），发现这两种流畅性的核心组成部分之间存在分离。与假设H1一致，AUT期间的流畅性项目得分明显低于喜爱活动期间，包括感觉思维流畅、自发产生或几乎不需要努力的体验。相比之下，ABA状态的项目基本保持不变，参与者报告的技能-挑战平衡、深度沉浸和专注注意力与倾向性流畅性相当，除了时间扭曲——这是由于严格的90秒回应时间限制所导致的预期结果。参与者意识到了时间限制，因此会监控时间。这种模式表明，AUT引发的是一种部分的流畅状态：注意力吸收相对保持，但主观上无努力的表现感减弱了。这与基于熟练度的流畅性模型相符，这些模型认为当个体具备自动化技能时，他们能够无需努力地完成任务（Csikszentmihályi, 1997, Ericsson, 1996）。然而，AUT是一项领域通用的任务，参与者缺乏专门的熟练度（Nakamura & Csikszentmihályi, 2002）。参与者可以进入沉浸状态（ABA），但无法体验到完全的流畅性和无努力的状态（FP）。AUT中的流畅性可以被视为微流畅状态，即在持续时间较短、强度较低的简单任务中引发的状态（Engeser, 2012, Lavoie and Main, 2019, Nakamura and Csikszentmihályi, 2002）。

4.2 全局流畅状态与发散思维结果
全局流畅状态，通过FSS的总分来进行评估，与流畅性呈正相关（H2a），表明经历更多流畅状态的参与者产生了更多的想法。然而，与H2b一致，全局流畅性与创造性质量、语义距离和灵活性呈现出混合或依赖于提示的相关性。总体而言，流畅性与语义距离增加有关，但降低了SSC的创造性质量，并且与灵活性没有可靠的相关性。因此，AUT期间的流畅状态反映了一种充满活力和投入的状态，增加了想法的产生，但没有提供高质量创造性所需的领域特定框架或自动化熟练度。流畅性提高了各种类型提示下的流畅性，但其对创造力的影响取决于提示的语义丰富程度：当存在丰富的关联结构时，流畅性增强了创造力；而当提示语义贫乏时，流动性降低了创造力。尽管这种模式相对较弱，但它与基于熟练度的模型一致，这些模型强调流畅性中的流畅性依赖于自动化技能，也与领域特定模型一致，这些模型认为创造性流畅性最容易在结构化知识网络中出现，在当前案例中是在语义丰富的网络中。这些混合效应支持这样一个观点，即全局流畅性汇集了可能以相反方式影响发散思维结果的ABA和FP组成部分（RQ4）。

4.3 FP和ABA在发散思维中的不同作用
当将流畅性成分（FP）和沉浸成分（ABA）同时纳入模型（RQ4）时，它们的效果显著分化，支持了特定成分的假设。沉浸状态与创造力和语义距离呈正相关（H3a），这与注意力投入有助于更深层次的语义空间探索、从而提高创造性质量和产生更多原创想法的观点一致。ABA并没有增加流畅性，这表明与FP不同，沉浸状态支持的是质量而非数量。无努力的流畅表现（FP）与流畅性呈正相关（H3b），但与创造性质量呈负相关（H3c），并且与RSC的灵活性降低有关（FP × Set Size交互作用）。这种模式与创造性混合理论相符：流畅表现可能反映了依赖于主导关联的结果，尤其是在提示激活了丰富的语义邻居时（Beaty et al., 2023）。与H3d相反，FP对创造性质量的负面影响在RSC中并不比在SSC中更强烈，尽管FP确实更强烈地降低了RSC的灵活性。

总体而言，这些结果表明FP反映了流畅状态的一个充满活力但较浅的方面，它提高了生产力但降低了创造性的深度，而ABA反映了更深层次的、领域通用的注意力状态，支持原创性。这种模式与基于熟练度的流畅性模型相符（Csikszentmihályi, 1997, Ericsson, 1996, Sawyer, 2012），这些模型认为FP依赖于自动化技能；当缺乏这种熟练度时——如在AUT中——流畅性可能会放大容易获得的关联，而牺牲了更深层次的探索。相比之下，反映注意力投入的ABA预测了更高的创造力和更大的语义距离，这与领域特定模型一致（Baer, 1998, Baer and Kaufman, 2005, Csikszentmihályi, 1990），这表明当任务提供了有意义的关联结构时，流畅性支持创造力。RSC和SSC之间的差异进一步突出了领域结构的重要性。RSC提供了更丰富的关联网络，作为“微领域”，支持沉浸和创造性扩展；相比之下，SSC提供了稀疏的关联环境，在这种环境中，特别是FP，可能会强化表面处理并降低创造性质量。这种领域敏感性反映了Csikszentmihályi的创造力系统模型，该模型强调创造性表现取决于个体与领域结构之间的互动（Csikszentmihályi, 1990, Csikszentmihályi, 2014）。总的来说，所有发现表明AUT引发了一种部分的流畅状态：FP激发了想法的产生，但在领域贫乏的情境中可能会妨碍创造性的质量，而ABA支持更深层次的关联处理，增强了原创性。

4.4 前向流畅性作为原创性的独立预测因子（RQ5, H4）
通过“前向流畅性”（FF）测量的自发联想过程独立于全局流畅性和FP/ABA成分预测了创造性质量和语义距离（H4）。这支持了自发联想过程捕捉了创造性和原创性独特机制的观点（Gray et al., 2019, Beaty et al., 2021）。它反映了Csíkszentmihályi（1975）描述的“流畅性”之外的另一种现象。即使将FP和ABA包含在相同的统计模型中，FF仍然是一个显著的预测因子，这表明联想过程和与流畅性相关的注意力状态独立地促进了发散思维。虽然流畅状态的吸收方面与远程概念的激活有关，反映了专注的心态，并依赖于通过语义网络的控制性搜索，但语义网络中的联想过程更多地反映了概念的自发激活，而没有寻找遥远概念的意图。

4.5 创造性与语义距离
通过比较AUT中的语义距离和创造性质量，可以进一步了解发散思维中的认知过程。虽然两者都是原创性的指标，但它们捕捉了不同的方面。创造性是使用一个基于大量人类创造力评分数据集训练的神经网络（Ocsai）计算得出的（Organisciak et al., 2023），因此不仅包含了新颖性，还包含了适当性和巧妙性——创造力的关键要素（Runco & Jaeger, 2012）。Ocsai的得分与三个人类创造力评分之间的高相关性也证实了这一点。相比之下，AUT中的语义距离反映了想法在语义空间中与探测对象的距离，而没有考虑它们的语境适当性。我们的发现表明，对语义丰富的探测对象的回答获得了更高的创造性评分，这与Koivisto & Toivanen（2024）的发现一致，他们也在人类创造力判断中发现了类似的模式。然而，对于语义贫乏的提示，语义距离更大，这表明语义空间中的遥远性并不一定转化为感知到的创造力。这种差异表明，虽然语义贫乏的提示可能引发语义上遥远的关联，但这些关联可能缺乏人类在评估创造力时考虑的语境相关性或适当性。具有丰富语义邻域的提示，尽管提供了更传统的关联，可能更好地支持同时新颖和适当的想法的产生——这是创造性想法的标志。无论如何，前向流畅性任务中的表现预测了创造性，正如预期的那样（H4）：联想在语义网络中的传播越远，AUT中的想法就越具有创造性。这些结果支持了混合或双重过程理论，这些理论认为联想过程在创造性中起着重要作用。然而，想法的创造性不仅取决于联想在语义空间中的传播距离，还取决于想法的感知效用和巧妙性。

4.6局限性及优势
本研究的一个局限性是只分析了流畅状态与其他衡量指标之间的相关性关系，因此无法确定因果效应。然而，任务难度（技能-挑战平衡）的影响已在实验中显示出以倒U形曲线影响流畅状态的体验（Larche and Dixon, 2020, Lu et al., 2025），因此可以合理假设AUT期间的表现水平影响了所经历的流畅程度。进一步研究的真正挑战在于通过操纵流畅体验并测量其对表现的影响来证明相反的因果方向。例如，尽管生成许多AUT回答的能力可能会增加流畅体验，但仅仅是流畅体验本身是否会影响参与者产生的回答数量？另一个局限性是FSS的沉浸状态（ABA）子量表的内部一致性较低。然而，整个FSS量表和流畅性成分（FP）子量表的内部一致性是良好的。鉴于Cronbach’s α值取决于项目数量，而ABA仅包含四个项目，α值为0.60是可以接受的。总体而言，FSS的因素结构在不同研究和语言中表现出不一致性（Laakasuo et al., 2022, Rheinberg et al., 2003）。尽管如此，原始的FSS子量表（Rheinberg et al., 2003）与双过程理论得出的大多数假设结果可靠相关。在这里，流畅状态被视为一个连续变量，可以分为沉浸和流畅两个成分，并假设个体在一个成分上可能较高，在另一个成分上可能较低。这种观点可以通过认为流畅状态应该被定义为一个离散的开/关变量来挑战，即个体必须超过某个特定阈值才能真正处于流畅状态（Abuhamdeh, 2020）。即使接受这一论点，我们仍然认为本研究突出了流畅状态与创造性构思之间的关系。在当前的样本中，作为总FSS得分操作化的全球流畅状态与提高的生产力（即AUT中的流畅性）、增加的语义距离以及在面对语义贫乏的提示时的创造性降低有关。然而，这些效果不如通过沉浸和流畅成分分析时观察到的效果强烈；成分分析展示了潜在过程的更细致的贡献。

结果的另一个局限性是结果的普遍性，因为只使用了一个测量发散思维的任务（AUT）。此外，AUT可以使用不同的指令进行。当前的指令强调了创造性质量而非数量（即流畅性）。一项元分析（Acar et al., 2020）表明，这种指令提高了回答的创造性，但没有影响流畅性。然而，质量指令可能会影响AUT期间流畅性的实现方式。它可能鼓励了一种费力的认知处理风格，从而夸大了流畅状态的吸收成分（ABA），相应地减少了流畅感（FP）。相反，如果简单地要求参与者尽可能多地产生AUT提示的用途，可能会鼓励较少控制的想法生成，相应地产生了更强烈的流畅和无努力的感觉。这种处理风格可能会产生类似但更为夸张的流畅性与质量之间的权衡，正如在本研究中观察到的。

本研究的另一个优势是AUT（Ocsai和SemDis）和前向流畅性（SemDis）的自动评分方法是客观的，因为它们不依赖于特定的参与者样本或对回答的创造力或原创性的评分者样本。评分程序可以很容易地复制。这些评分结果可以直接与其他使用相同方法的研究进行比较。相对于典型的实验室研究，另一个优势是参与者样本相对较大且多样化（n = 400），具有不同的人口统计背景和年龄。这项研究之所以能够进行，是因为它是在线完成的。在线研究有其自身的局限性，尤其是在参与者的动机和注意力方面，但本文通过设计简单的控制任务以及保持任务时间相对较短来克服了这些局限性。总体而言，实证研究（Peer等，2017年；Prissé和Jorrat，2022年）表明，在实验室条件下获得的结果可以通过精心设计的在线研究可靠地复现。

4.7 结论与启示

综上所述，研究结果强调了区分Flow状态各个组成部分及其在创造性思维过程中复杂且有时相互矛盾的作用的重要性。研究发现表明，在创造性思维的背景下，Flow并非一个单一、统一的构念。它可以被视为一种“部分Flow”或“微Flow”，并不满足完全或深度Flow的所有要求。虽然该研究不允许直接进行因果推断，但结果表明，在实际情境（如工作、学习或日常活动）中，通过促进沉浸式专注（即全神贯注）可能有助于创造性思维的发展，前提是任务相对简单、不复杂，并且个体不具备能够实现顺畅和无障碍处理过程的专业知识。尽管技能与挑战平衡对Flow体验的因果效应已有充分文献支持（例如，在视频游戏中，Larche & Dixon 2020年），但未来的研究应进一步探讨是否可以通过实验手段操纵沉浸式和流畅性Flow的成分，以验证它们对创造性思维的真正影响。此外，这些结果的普遍性仍需考虑不同教学条件以及不同类型创造性思维任务下的适用性。

关于写作过程中生成式AI和AI辅助技术的声明

在准备本作品的过程中，作者使用了ChatGPT4来编辑和改进文本的可读性。使用该工具后，作者根据需要进行审查和修改，并对最终发表的文章内容承担全部责任。

CRediT作者贡献声明

Mika Koivisto：负责撰写——审核与编辑、撰写——初稿撰写、数据可视化、方法论设计、研究实施、资金筹集、数据分析、概念化工作。