[论文解读] Understanding the onset of hot streaks across artistic, cultural, and scientific careers

Lu Liu, Nima Dehmamy+3 more|arXiv (Cornell University)|Mar 1, 2021

Creativity in Education and Neuroscience参考文献 76被引用 77

一句话总结

本研究利用深度学习与网络科学分析艺术家、电影导演及科学家的大规模数据集，揭示出‘高光时刻’——即高影响力创作产出的时期——始于多样化探索阶段之后的专注开发阶段。关键发现是一种普遍存在的序列模式：探索先于开发，且该转变点与艺术、文化及科学领域中高光时刻的开始时间高度吻合。

ABSTRACT

Hot streaks dominate the main impact of creative careers. Despite their ubiquitous nature across a wide range of creative domains, it remains unclear if there is any regularity underlying the beginning of hot streaks. Here, we develop computational methods using deep learning and network science and apply them to novel, large-scale datasets tracing the career outputs of artists, film directors, and scientists, allowing us to build high-dimensional representations of the artworks, films, and scientific publications they produce. By examining individuals' career trajectories within the underlying creative space, we find that across all three domains, individuals tend to explore diverse styles or topics before their hot streak, but become notably more focused in what they work on after the hot streak begins. Crucially, we find that hot streaks are associated with neither exploration nor exploitation behavior in isolation, but a particular sequence of exploration followed by exploitation, where the transition from exploration to exploitation closely traces the onset of a hot streak. Overall, these results unveil among the first identifiable regularity underlying the onset of hot streaks, which appears universal across diverse creative domains, suggesting that a sequential view of creative strategies that balances experimentation and implementation may be particularly powerful for producing long-lasting contributions, which may have broad implications for identifying and nurturing creative talents.

研究动机与目标

• 识别艺术、文化及科学领域中创意职业生涯高光时刻启动的规律性。
• 探究高光时刻是由探索、开发，还是两者序列驱动的。
• 在代表风格、主题或内容的高维嵌入空间中建模创作产出的轨迹。
• 检验从探索到开发的转变是否能预测高光时刻的开始。
• 评估该模式在不同领域与职业类型中的普适性。

提出的方法

• 采用迁移学习，利用预训练的VGGNet基于视觉特征与艺术风格标签生成200维的艺术作品嵌入表示。
• 结合词嵌入与DeepWalk，基于剧情描述与演员共现网络生成电影的200维表示。
• 整合Web of Science与Google Scholar的出版与引用数据，建模科学家职业生涯中的研究主题动态。
• 应用主成分分析（PCA）降低深度神经网络输出的维度，以提升可解释性与聚类效果。
• 在冻结的VGGNet特征之上训练全连接层以分类艺术风格，从而实现在嵌入空间中的轨迹分析。
• 通过影响度量指标量化高光时刻：艺术作品的拍卖价格（艺术）、IMDB评分（电影）与10年引用数（科学）。

实验结果

研究问题

• RQ1 在高光时刻开始之前，探索与开发的序列是否存在一致的模式？
• RQ2 高光时刻开始后，个体是否在创作产出中表现出更高的专注度？
• RQ3 从探索到开发的转变是否在各领域中均能预测高光时刻的开始？
• RQ4 主题或风格的多样性在高光时刻前后如何演变？
• RQ5 高光时刻中所开发的主题或风格特征是否与职业生涯早期探索的主题或风格显著不同？

主要发现

• 个体在高光时刻之前始终表现出对多样化风格或主题的探索，表现为主题或风格分布的熵值更高。
• 高光时刻开始后，个体显著降低多样性，集中于少数特定主题或风格，表现为嵌入空间中熵值降低。
• 高光时刻的开始与从探索到开发的转变时间点高度吻合，而非与任一行为单独开始的时间点相关。
• 这一序列——先探索后开发——在艺术家、电影导演与科学家之间均具有统计显著性且具有普适性。
• 当某一主题在高光时刻前既被频繁研究又具有高影响力时，其在高光时刻被开发的概率显著更高。
• 基于轨迹模式预测高光时刻开始的模型AUC达0.83，表明其具有强大的预测能力。