研究比較大型語言模型（LLMs）和神經放射學家在臨床案例中的表現，結果顯示神經放射學家的判讀能力優於LLMs。ChatGPT和Glass AI表現相近，顯示在醫學文本訓練上有進步空間。LLMs雖有潛力，但仍需改進，顯示醫學領域仍需專業知識。 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

這項研究探討使用大型語言模型（LLMs）來模擬和分析癲癇治療的隨機臨床試驗。LLMs被用來產生臨床數據並分析藥物效力和報告的症狀，顯示與人類評估有密切的一致性。這表明LLMs能夠有效地總結和綜合臨床數據，為未來臨床研究提供了一個有前途的工具，而不需要專門的醫學語言培訓。 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

中文EEG數據集提供了豐富文本刺激的EEG數據，可研究大腦處理語義信息，有助於語義解碼。包括10名參與者閱讀中文文本時的高密度EEG記錄和眼動數據。提供經過預處理的EEG數據和語義嵌入。支持神經科學、自然語言處理和語言學研究，可作為中文語義解碼的基準，有助於BCI開發，探索語言模型與人類認知之間的對齊，特別是在中文語言處理方面。 PubMed DOI

線上內容對學習、工作和決策很重要。論文提出利用可穿戴裝置測量生理反應，預測數位內容理解困難。結合數據與眼動追蹤，機器學習可識別挑戰性部分。整合生理數據與上下文，可準確預測理解困難達72.11%。這方法或助智能界面開發，提供即時支援增進語言理解。 PubMed DOI

先前研究指出，利用預先訓練的語言模型解讀腦電圖信號在腦-電腦介面上有潛力。然而，腦電圖信號如何嵌入語言模型及主觀效應影響尚不清楚。現有評估著重於語法，缺乏人類理解度洞察。提出結合深度學習的新架構，用於腦電圖解碼、語言模型和句子精煉。引入基於BERTScore的新評估指標，進行消融研究分析模組貢獻。此方法在兩個數據集上評估，表現優於先前技術。 PubMed DOI

研究比較了人類和人工智慧（AI）在文本分析上的表現，結果顯示機器學習模型在處理複雜敘述時比大型語言模型和非專家人類表現更好。機器學習和語言模型在選擇關鍵詞方面更貼近人類思維，但次要詞彙則有差異。 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