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

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

這篇文章討論了一個神經網路模型，解釋了孩子如何通過與成人互動來學習語言意義。在這個學習過程中涉及了各種大腦過程，包括知覺、注意力、記憶、規劃、情感和意志。該模型將人類的學習能力與像ChatGPT這樣的人工智能模型進行了對比，並介紹了ChatSOME模型來理解語言意義。 PubMed DOI

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

這封信討論了大型語言模型（LLMs）與認知科學的關係，強調了資訊理論和統計語言模型對理解人類溝通的重要性。它探討了社會語言學和語言人類學如何豐富了這個框架，提出像是元語用功能和指示性這樣的概念可以增進我們對溝通的理解。作者建議，在大型語言模型和人工智慧時代，跨學科對話在計算語言學、社會語言學、語言人類學以及認知和社會心理學之間至關重要，以促進我們對人類溝通和人類-人工智慧互動的理解。 PubMed DOI

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

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

研究探討了如何運用大型語言模型（LLMs）在失語症研究中的應用。研究人員分析LLMs的語言指標，以改善失語症的診斷和評估。研究結果顯示，LLMs能有效檢測失語症、提高亞型分類的準確性，並捕捉語法缺陷。整合LLMs到自然語言處理流程中，有助於增強對失語症等語言障礙的模型。 PubMed DOI

這項研究探討成年人在忽略一位講者的情況下，如何處理來自兩位不同講者的語音，並利用腦電圖（EEG）測量神經反應。研究重點在於語音的聲學特徵、單字頻率及單字的可預測性，後者是透過GPT-4估算的。結果顯示，英語母語者在分辨目標講者與干擾講者上表現較佳，而視覺任務能減少詞彙處理。當單字可預測性低時，聽眾更專注於聲學特徵，顯示語音感知涉及聽覺與詞彙處理的複雜互動，突顯在挑戰性聆聽環境中的適應性。 PubMed DOI

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