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

這項研究探討大型語言模型（LLMs）與人類大腦在處理敘事資訊上的差異。雖然LLMs能預測與敘事相關的神經信號，但它們是平行分析大量文本，與大腦逐步處理的方式不同。研究使用219名參與者的fMRI數據，發現LLMs在短期上下文中表現較好。研究人員開發了一個增量上下文模型，結合短期與持續更新的長期上下文，顯著改善了對長期處理腦區活動的預測。這結果顯示大腦整合資訊的能力，對認知神經科學和人工智慧的發展提供了新見解。 PubMed DOI

這項研究探討了從非侵入性腦部錄音重建語言的挑戰，傳統上是透過分類方法將腦部數據與預定語言候選項匹配。作者提出一種新方法，利用自回歸生成技術，讓大型語言模型（LLM）直接將功能性磁共振成像（fMRI）解碼後的腦部表徵作為輸入，省去預先構建候選項的步驟。這種方法能生成高品質內容，特別對意外內容的反應更佳，並在各種任務中表現優於傳統分類方法，顯示腦語言介面的潛力。 PubMed DOI

這項研究探討人類大腦在聽語音時如何編碼單詞意義，特別是海馬體的角色。研究人員記錄了數百個神經元的活動，發現單詞意義是透過不同語義類別的神經元綜合表現來表示的。結果顯示，神經反應距離與語義距離相關，這與大型語言模型（如BERT）相似，但在非上下文模型（如Word2Vec）中則未見此現象，顯示上下文對理解意義的重要性。此外，神經反應範圍與詞彙多義性有關，進一步強調上下文的關鍵角色。總體而言，結果支持海馬體使用向量編碼原則來表示語義信息。 PubMed DOI

這項研究探討了閱讀理解的挑戰，這是許多學習者常遇到的困難。研究者利用腦機介面（BCI）技術，預測閱讀的單詞與目標推論單詞的相關性。他們結合腦電圖（EEG）和眼動追蹤數據，運用大型語言模型（LLMs）創建新的閱讀嵌入表示。結果顯示，九名受試者的平均準確率為68.7%，最佳可達71.2%。此外，對BERT模型進行微調後，達到92.7%的準確率。這項研究在增強閱讀技能工具的開發上邁出了重要一步，相關代碼和數據已在GitHub上公開。 PubMed DOI

這項研究發現，GPT-3.5 和 GPT-4 生成的自傳故事，在敘事連貫性上跟人類寫的差不多，顯示這些 AI 模型有很高的知識整合能力，類似人類的自我認同。 PubMed DOI

大型語言模型常會產生看似正確但其實錯誤的回答，這跟人類接受性失語症很像。研究發現，LLMs的內部運作和失語症患者大腦的資訊處理方式很相似，特別是在狀態轉換和停留時間上。這種分析方法未來有機會幫助改進LLMs，也可能應用在失語症診斷上。 PubMed DOI

這項研究用fMRI和GPT語言模型分析真實對話時的大腦活動。結果發現，大腦有些區域在說話和聽話時處理語言很像，但也有些區域會根據你是說還是聽，出現不同活動，這跟大腦怎麼整合語境有關。代表理解和產生對話時，大腦有共同也有獨特的處理方式，會在不同時間尺度下運作。 PubMed DOI

研究用 GPT-3 分析精神病患和健康者的語音，發現精神病患對長語境不敏感，語言較混亂，這能預測正性思考障礙（如語無倫次），但無法預測負性症狀（如語言貧乏）。這方法可自動、客觀評估語言混亂，並連結臨床症狀與語言處理差異。 PubMed DOI

最新研究發現，人類大腦在理解語意時，會把單字和周圍單字的神經反應結合起來，這跟transformer語言模型的自我注意力機制很像。大腦也會編碼單字在句子裡的位置，類似模型的「位置編碼」。而且，大腦加權上下文單字的方式，跟語言模型的self-attention權重也很接近，顯示兩者語言處理策略可能相似。 PubMed DOI