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.