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

近期在生成式人工智慧領域取得的進展，特別是大型語言模型(LLMs)，引起了人們對其在分析大量醫學數據，尤其是在神經學領域的潛力的關注。LLMs有助於早期診斷、支持患者和照護者，並協助臨床醫生。然而，必須克服倫理和技術上的挑戰，如隱私疑慮、數據偏見和結果驗證。研究人員需應對這些挑戰，確保LLMs安全且負責任的應用，這將有助於提升神經學疾病護理的前景。 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

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

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

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

大型語言模型（LLMs）是透過大量文本訓練的先進神經網絡，能理解和生成類似人類的語言。ChatGPT是OpenAI開發的知名範例，具備語言翻譯、問題回答和文本補全等功能。它能生成醫療報告、手術記錄和詩歌等多種文本，並在神經外科中協助撰寫手術報告，促進醫療團隊溝通，還可作為醫學生的學習資源。不過，這類模型在醫療應用上也面臨一些挑戰。 PubMed DOI

這份摘要強調大型語言模型（LLMs）在預測實驗結果方面的潛力，特別是在神經科學領域。研究介紹了BrainBench，一個評估LLMs預測能力的基準測試。結果顯示，LLMs在預測上可超越人類專家，而專門模型BrainGPT的準確性更高。當LLMs表現出高度信心時，預測也相對可靠，顯示它們在協助人類發現過程中的潛在角色。這種方法論不僅適用於神經科學，還可能對其他知識密集型領域產生廣泛影響。 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

大型語言模型（LLMs）徹底改變了人工智慧，特別是在生成文本方面。這些模型透過大量文本訓練，能生成連貫且具上下文的內容，應用範圍廣泛，從聊天機器人到內容創作，展現出驚人的語言理解與生成能力。它們能執行摘要、問答及創意寫作等任務，並透過微調技術針對特定需求進行客製化。隨著技術進步，LLMs 的應用也在擴展，並引發了關於倫理、偏見及社會影響的討論，標誌著人工智慧的一次重大進步。 PubMed DOI