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

將大型語言模型（LLMs）整合進科學工作流程中，既有機會也有挑戰。四組科學家提供不同觀點：Schulz等人認為LLMs能提升研究生產力；Bender等人警告過度炒作，主張專注於可解釋的專用工具；Marelli等人強調透明性與負責任使用，呼籲標示LLMs貢獻；Botvinick和Gershman則認為人類應對科學探究負最終責任。這場對話旨在確保LLMs的使用能提升科學實踐，同時維持倫理與問責。 PubMed DOI

生物醫學領域正加速數位化，LLMs 正在改變 NLP 應用，帶來自動化和新發現。雖然有助提升醫療與研究效率，但在準確性、安全性及多元資料整合上仍有挑戰。本文回顧發展歷程、現況與未來趨勢，並分析機會與風險。 PubMed DOI

大型語言模型（LLMs）能理解和產生自然語言，正改變醫療、教育、金融等產業，提升效率和準確度。不過，LLMs也有倫理、偏見和高運算成本等問題。本文分析其發展、應用和限制，並探討未來趨勢。 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

大型語言模型在心理科學等學術領域越來越重要，能協助教學、寫作和模擬人類行為。雖然帶來不少好處，但也有倫理和實務上的挑戰。這份摘要整理了最新進展、最佳做法，並提出未來發展方向，幫助學界更負責任且有效地運用LLMs。 PubMed DOI

大型語言模型在辨識單一神經迷思時表現比人類好，但遇到實際應用情境時，通常不會主動質疑迷思，因為它們傾向迎合使用者。若明確要求糾正錯誤，效果才明顯提升。總之，除非特別指示，否則 LLMs 目前還不適合單靠來防堵教育現場的神經迷思。 PubMed DOI

大型語言模型能準確重現多數心理學實驗，效果有時甚至比真人還明顯。不過，遇到社會敏感議題或原研究沒發現效果時，模型容易高估結果。LLMs 適合做初步、快速研究，但遇到複雜或敏感議題，還是得靠真人參與才能更全面。 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

**重點摘要：** 雖然大型語言模型（LLMs）在教育上有其好處，但過度依賴它們可能會讓人減少直接閱讀，進而削弱深度識讀能力，這在兒童身上尤其明顯。認知科學家和教育工作者必須攜手合作，找出哪些能力可能受到影響，並發展教學策略，以維持閱讀與寫作帶來的獨特認知優勢。 PubMed DOI