Este estudio demuestra que los modelos de lenguaje congelados pueden servir como predictores neuronales efectivos para la actividad cerebral durante la comprensión de habla y texto naturales, al tiempo que distinguen la utilidad predictiva de las afirmaciones sobre la organización neuronal compartida. El análisis de datos MEG y ECoG reveló ganancias de predicción positivas generalizadas en comparación con las líneas base de bajo nivel, aunque las ventajas a nivel de participante fueron localizadas en lugar de uniformes.
- Se analizaron datos derivados sincronizados de Brain Treebank, MEG-MASC y Podcast EcoG utilizando ocho modelos de lenguaje congelados y modelos de codificación bloqueados.
- Se encontró que 67 de las 432 filas evaluables cumplían con un criterio controlado de predicción exclusiva en los conjuntos de datos Brain Treebank y Podcast ECoG.
- Se confirmó la sensibilidad a nivel de componente mediante controles derivados del cerebro, vinculados al tiempo, acústicos y de señales implantadas.
- Se demostró que las ablasiones de características por parte del modelo cambiaron las puntuaciones de predicción en la mayoría de las filas fuente evaluables.
Estos hallazgos identifican las características de los modelos de lenguaje como predictores neuronales útiles y aclaran que la utilidad predictiva es distinta de las afirmaciones sobre la organización neuronal compartida o las computaciones específicas del procesamiento del lenguaje.