Driving and suppressing the human language network using large language models.
使用大型語言模型來操控和抑制人類語言網絡。 bioRxiv 2024-02-07

Transformer模型像GPT可以預測人腦對語言的反應，並生成類似人類的語言。研究者利用1,000句子的fMRI數據，展示基於GPT的模型可以預測句子對人腦的反應。他們利用這個模型找出能影響語言網絡大腦活動的新句子，發現這些句子能強烈影響個體的語言區域。研究指出，句子的驚喜和結構會影響大腦反應。結果顯示，神經網絡模型不僅可以模擬人類語言，還能影響高級腦區（如語言網絡）的神經活動。 PubMed DOI

A shared linguistic space for transmitting our thoughts from brain to brain in natural conversations.
在自然對話中傳遞我們思維的共享語言空間。 bioRxiv 2023-10-19

這項研究探討有效溝通如何依賴在不同情境中對詞語意義的共同理解。通過分析癲癇患者對話期間的腦部活動，研究人員發現語言模型學習的嵌入空間可以捕捉說話者和聽眾之間神經活動的對齊。這表明大腦在詞語表達之前和之後處理語言內容，提供了洞察力，說明了在現實互動中思想如何傳遞。 PubMed DOI

Driving and suppressing the human language network using large language models.
使用大型語言模型來操控和抑制人類語言網絡。 Nat Hum Behav 2024-04-02

Transformer模型如GPT可預測大腦對語言的反應，並識別影響大腦活動的句子。研究發現句子的驚喜和結構影響大腦反應。結論是神經網絡模型可模擬人類語言並控制大腦區域活動。 PubMed DOI

Dissociating language and thought in large language models.
大型語言模型中語言和思維的分離。 Trends Cogn Sci 2024-03-20

大型語言模型（LLMs）在理解語言方面有進展，但在語言能力和認知方面看法不同。研究評估LLMs的形式語言能力和功能語言能力，人類神經科學顯示這兩種能力依賴不同神經機制。LLMs在形式能力表現優異，但在功能任務上表現不穩，可能需要額外調整或外部模組。為了達到人類般的語言使用，模型可能需掌握兩種能力，並提供專門機制。 PubMed DOI

Surprisal From Language Models Can Predict ERPs in Processing Predicate-Argument Structures Only if Enriched by an Agent Preference Principle.
語言模型中的驚奇能預測處理述詞-受事結構的ERP，但僅在受到代理人偏好原則的豐富影響下。 Neurobiol Lang (Camb) 2024-04-22

人工神經網絡的語言模型逐漸擅長模仿人類句子處理方式，可預測N400振幅。研究發現，結合驚奇值與「主語偏好原則」最佳預測N400振幅的方法。這原則在不同語言中皆重要，強度因結構差異而異。將主語偏好原則納入語言模型提升其合理性，同時有助於人類處理理論。 PubMed DOI

Strong Prediction: Language Model Surprisal Explains Multiple N400 Effects.
強烈預測：語言模型驚奇性解釋多重N400效應。 Neurobiol Lang (Camb) 2024-04-22

N400反應可顯示刺激與上下文的預測程度及語意相似性。研究者用機器學習工具分析，發現GPT-3的驚奇度最能解釋N400反應。結果顯示，N400反應與詞語可預測性有關，支持語言網絡中的預測編碼概念。 PubMed DOI

Meta predictive learning model of languages in neural circuits.
神經迴路中語言的元預測學習模型。 Phys Rev E 2024-05-17

大型語言模型在各種任務中表現優異，與大腦計算的關聯存在爭議。一個提出平均場學習模型的研究指出，大多數連接變得確定性，而輸出連接更具變異性。隨著訓練數據增加，網絡性能提升，提供有關大腦計算和通用智能的見解。 PubMed DOI

Predicting the next sentence (not word) in large language models: What model-brain alignment tells us about discourse comprehension.
大型語言模型中預測下一句（而非單字）：模型-大腦對齊告訴我們關於篇章理解的資訊。 Sci Adv 2024-05-23

研究發現，透過下一句預測任務，大型語言模型的語言理解能力有所提升。模型在右腦半球和多重需求網絡方面表現更好，與腦部數據更一致。結果顯示，下一句預測有助於模型更好地理解上下文。透過多樣的學習目標，模型可發展出更貼近人類的表徵，並提供有關語言神經科學的洞察。 PubMed DOI

A shared model-based linguistic space for transmitting our thoughts from brain to brain in natural conversations.
一個共享的基於模型的語言空間，用於在自然對話中將我們的思想從大腦傳遞到大腦。 Neuron 2024-08-03

這項研究探討有效溝通如何依賴於對詞彙意義的共同理解。研究人員記錄癲癇患者的自發對話，並開發一個框架，將說話者和聆聽者的腦部活動對齊到大型語言模型（LLM）定義的共享空間。結果顯示，LLM的情境嵌入能更好地捕捉說話者與聆聽者之間的神經對齊，超越傳統的語法或發音模型。這項研究強調了LLM在理解人類溝通複雜性方面的潛力。 PubMed DOI

Integrating Large Language Model, EEG, and Eye-Tracking for Word-Level Neural State Classification in Reading Comprehension.
整合大型語言模型、腦電圖 (EEG) 和眼動追蹤於閱讀理解中的字級神經狀態分類。 IEEE Trans Neural Syst Rehabil Eng 2024-08-14

這項初步研究探討個體在閱讀時如何處理語意，透過分析眼動和腦電圖（EEG）數據，並結合大型語言模型（LLMs）。研究聚焦於閱讀理解任務，參與者閱讀不同關鍵字相關性的單詞。研究結果顯示，與關鍵字相關的單詞獲得的眼動注視次數顯著高於低相關性單詞，達到60%以上的驗證準確率。這項研究對於理解人類認知及發展閱讀輔助技術具有重要意義。 PubMed DOI

原始文章

站上相關主題文章列表