La creatividad científica es un indicador crucial del potencial de los adolescentes en ciencia y tecnología, y su evaluación automatizada juega un papel vital en la identificación temprana del talento innovador. Para abordar desafíos como tamaños de muestra limitados, altos costos de anotación y heterogeneidad de modalidades, este estudio propone un método de evaluación multimodal que integra técnicas de aumento de datos y etiquetado pseudo. Por primera vez, se introduce un enfoque de mejora conjunta que combina datos textuales y visuales con una estrategia de etiquetado pseudo para acomodar las características de la integración texto-imagen en las expresiones cognitivas de los estudiantes de primaria. Específicamente, se emplea SMOTE para expandir los datos del cuestionario, se utiliza EDA para mejorar los datos de texto-imagen dibujados a mano, y se aplica la alineación semántica de texto-imagen para mejorar la calidad de la muestra. Además, se incorpora un mecanismo de etiquetado pseudo impulsado por la confianza para optimizar el uso de datos no etiquetados. Finalmente, se integran múltiples modelos de aprendizaje automático para predecir la creatividad científica. Los resultados demuestran lo siguiente: 1. El aumento de datos aumenta significativamente la diversidad de la muestra, y se logró la mayor precisión de alineación de información cuando se emparejaron texto e imágenes. 2. La combinación de mecanismos de aumento de datos y etiquetado pseudo mejora la robustez y generalización del modelo. 3. El entorno familiar, la educación parental y la curiosidad son factores clave que influyen en la creatividad científica. Este estudio ofrece un enfoque rentable y eficiente para evaluar la creatividad científica en estudiantes de primaria y proporciona orientación práctica para fomentar su potencial innovador.