Los investigadores han desarrollado Pruebas Causales Generativas (GCT), un marco que traduce modelos de predicción cerebral basados en LLMs ininterpretables en hipótesis verbales concisas y comprobables sobre la función cortical. Este método condensa los parámetros del modelo en frases cortas que describen a qué responden regiones cerebrales específicas, como "preparación de alimentos", y luego verifica estas explicaciones mediante experimentos de fMRI dirigidos.
- GCT identifica las frases que impulsan un modelo predictivo para una región cerebral y las resume en una explicación concisa utilizando un LLM.
- Un LLM genera historias sintéticas diseñadas para activar esa región específica según la explicación generada.
- Los sujetos escuchan estas historias en un escáner de fMRI, lo que permite a los investigadores confirmar si el área objetivo responde significativamente por encima de la línea base.
- El enfoque confirmó la selectividad conocida, distinguió regiones vecinas de procesamiento espacial previamente consideradas intercambiables e identificó micro-regiones prefrontales ajustadas a conceptos como diálogos y horas del reloj.
Este método cierra la brecha entre las predicciones de caja negra de alta precisión y la comprensión científica al proporcionar hipótesis que pueden confirmarse o refutarse directamente en experimentos posteriores.