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

這段文字探討變壓器網絡（像是ChatGPT）與大腦神經活動之間的相似之處。變壓器模型透過「自注意力」機制，從整個輸入中生成編碼向量，理解數據的長期依賴性。作者認為，大腦的神經波也可能以類似方式運作，捕捉感官輸入的歷史，提取時間上下文。這顯示出人工智慧模型與生物神經處理之間的平行關係。 PubMed DOI

這篇論文探討了基於Transformer的大型語言模型（LLMs），特別是微調過的GPT-2，對口語對話的理解與預測能力。作者研究這些模型是否能辨識說話者身份對對話內容的影響。透過微調模型並分析不同說話者的對話序列，結果顯示模型在單詞可預測性上有些影響，但未能準確模仿人類的對話行為。研究指出，LLMs能生成符合語言規範的文本，但在模擬人類對話方面仍有待加強。 PubMed DOI

這項研究探討大腦如何理解語言，特別是如何透過上下文來預測即將出現的單字。研究指出，傳統的分析方法對於單字的特性不夠適合，導致對詞彙預測機制的理解有限。為了解決這個問題，研究者提出了兩個新的評估指標，並在模擬及實際的腦電圖數據上測試，結果顯示效果比以往方法提升超過140%。這項進展有助於我們更深入了解大腦在語言處理和預測方面的運作。 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

這項研究探討大腦在即時對話中如何處理語言，利用fMRI技術測量參與者的神經活動。研究指出，理解和產生語言的神經系統是相互連結的，卻常被分開研究。透過分析大型語言模型的上下文詞嵌入，發現負責語言產出和理解的腦區有顯著重疊，並延伸至與社會認知相關的區域，顯示大腦的語言處理系統與溝通的更廣泛網絡有共同特徵。 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