Les chercheurs ont développé les Tests Causaux Génératifs (GCT), un cadre qui traduit des modèles de prédiction cérébrale basés sur des LLM non interprétables en hypothèses verbales concises et testables sur la fonction corticale. Cette méthode condense les paramètres du modèle en courtes phrases décrivant à quoi répondent des régions cérébrales spécifiques, comme la « préparation alimentaire », puis vérifie ces explications par le biais d'expériences IRMf ciblées.
- GCT identifie les phrases qui pilotent un modèle prédictif pour une région cérébrale et les résume en une explication concise à l'aide d'un LLM.
- Un LLM génère des histoires synthétiques conçues pour activer cette région spécifique sur la base de l'explication générée.
- Les sujets écoutent ces histoires dans un scanner IRM, permettant aux chercheurs de confirmer si la zone cible répond de manière significative par rapport à la ligne de base.
- L'approche a confirmé une sélectivité connue, distingué des régions voisines de traitement spatial auparavant considérées comme interchangeables, et identifié des micro-régions préfrontales ajustées sur des concepts tels que le dialogue et les heures de la montre.
Cette méthode comble l'écart entre les prédictions précises de boîtes noires et la compréhension scientifique en fournissant des hypothèses qui peuvent être directement confirmées ou réfutées dans des expériences ultérieures.