موسسه انتشارات دانشگاه تهران نشریه هنرهای زیبا: هنرهای تجسمی 2228-6039 مقالات آماده انتشار 2025 10 08 A Hybrid Approach of Structural Equation Modeling and Neural Networks for Modeling Creativity Training in Industrial Design Education روش ترکیبی معادلات ساختاری و شبکه عصبی برای مدل‌سازی آموزش خلاقیت در رشته طراحی صنعتی 104127 10.22059/jfava.2025.397182.667507 FA سعید کاوه عضو هیئت علمی/دانشکده طراحی /دانشگاه هنر اسلامی/تبریز/ایران 0009-0006-4086-3558 سجاد پاکزاد دانشیاردانشکده طراحی،دانشگاه هنر اسلامی تبریز،تبریز،ایران یاسر شهبازی دانشیاردانشکده معماری و شهرسازی،دانشگاه هنر اسلامی تبریز،تبریز،ایران. یزدان موحدی دانشیاردانشکده طراحی،دانشگاه هنر اسلامی تبریز،تبریز،ایران Journal Article 2025 07 05 This study aims to design and develop an innovative hybrid model based on Structural Equation Modeling (SEM) and Artificial Neural Networks (ANN) to model the creativity training process in industrial design education. The research seeks to identify the key components influencing creativity training and provide a predictive framework to enhance curriculum quality in this field.<br /><br />To achieve this, a combined SEM-ANN approach was implemented. Initially, Structural Equation Modeling was used to analyze the causal relationships between the four main components of Torrance’s creativity model: fluency, flexibility, originality, and elaboration. SEM helped identify the critical variables within these components that have the strongest effect on creativity development. These significant factors were subsequently used as inputs for an Artificial Neural Network employing a multilayer perceptron (MLP) architecture, with the Levenberg–Marquardt algorithm applied for training the network. The study’s population consisted of 528 industrial design students from multiple universities across Iran. Data collection was carried out through a questionnaire specifically designed by the researchers for this purpose.<br /><br />SEM analysis revealed that three components—generating numerous ideas (β=0.449, p<0.05), producing diverse ideas (β=0.303, p<0.01), and generating original ideas (β=0.181, p<0.05)—had the most significant influence on creativity training. The ANN demonstrated considerable accuracy in predicting the impact of curricular elements on each component, with two models achieving a mean squared error (MSE) of 0.30 and a correlation coefficient (R) of 0.90, and a third model with MSE of 0.38 and R of 0.78. Comparative analysis showed that project-based courses played the most prominent role in fostering creativity, whereas technical courses had the least impact.<br /><br />This research is groundbreaking in that it introduces the first domain-specific model in the field of industrial design education that integrates the interpretative capabilities of SEM with the predictive power of ANN. By combining these two methodologies, the hybrid model overcomes the individual limitations of each technique and offers a flexible, adaptive learning framework capable of dynamic updates as more data become available.<br /><br />The findings emphasize the necessity of focusing industrial design curricula on improving ideational fluency, diversity, and innovation. The proposed model can serve as a practical tool for curriculum review and forecasting the effectiveness of educational interventions. This study opens a new avenue for applying artificial intelligence to optimize creativity-oriented education and shows that combining statistical methods with machine learning can effectively influence the creativity training process and help develop higher-quality curricula.<br /><br />This innovative model is particularly valuable for students and instructors in industrial design, as it helps identify strengths and weaknesses in educational programs and focus on targeted improvements.<br /><br />In conclusion, this study provides valuable insights into the creative training process within industrial design education and offers a robust predictive model that educators and curriculum developers can utilize to enhance learning outcomes. The combination of advanced statistical modeling with machine learning represents a significant step forward in the application of technology to education, enabling more effective cultivation of creativity and innovation in future design professionals. This research also opens promising opportunities for further exploration of AI-driven educational tools across various disciplines focused on creative skill development. این پژوهش با هدف توسعه مدلی جامع و کاربردی برای پیش‌بینی و بهبود آموزش خلاقیت در رشته طراحی صنعتی انجام شده است. در این راستا، ترکیب دو روش پیشرفته تحلیل معادلات ساختاری (SEM) و شبکه عصبی مصنوعی (ANN) برای شناسایی، تبیین و تحلیل دقیق عوامل کلیدی مؤثر بر رشد خلاقیت دانشجویان مورد استفاده قرار گرفت. مسئله اصلی پژوهش، شناسایی مؤلفه‌های مؤثر بر آموزش خلاقیت و ارتقای کیفیت دروس طراحی صنعتی است. مطالعه به‌صورت کمی و بر پایه داده‌های ۵۲۸ دانشجوی طراحی صنعتی دانشگاه‌های ایران انجام شد. در گام نخست، روابط میان مؤلفه‌های مدل تورنس شامل سیالی، انعطاف‌پذیری، ابتکار و بسط با استفاده از مدل‌یابی معادلات ساختاری بررسی گردید. سپس داده‌های حاصل به شبکه عصبی پرسپترون چندلایه وارد شد تا تأثیر برنامه‌های درسی بر خلاقیت پیش‌بینی گردد. نتایج نشان داد که مؤلفه‌های «تولید ایده‌های فراوان»، «خلق ایده‌های متنوع» و «ارائه ایده‌های نو» بیشترین نقش را در آموزش خلاقیت دارند. مدل شبکه عصبی با میانگین خطای (MSE) 0.33 و ضریب همبستگی (R) حدود 0.82 عملکرد پیش‌بینی مطلوبی ارائه داد. همچنین تحلیل‌ها بیانگر تأثیر چشمگیر دروس پروژه‌محور و نقش محدود دروس فنی در تقویت خلاقیت بودند. این پژوهش، به‌عنوان نخستین مطالعه تلفیقی SEM و ANN، کارایی هوش مصنوعی را در بهینه‌سازی فرآیندهای آموزشی طراحی صنعتی به‌خوبی نشان می‌دهد. https://jfava.ut.ac.ir/article_104127_e3971ae25b1875d462ec3a96cc5e2a47.pdf