人类如何处理 AI 生成的幻觉内容：一项神经影像研究

基于摘要分析。研究关注人类为何能够识别或被 AI 生成的幻觉内容误导，通过图像描述正确性核验任务中的 EEG 记录与平均事件相关电位（ERP）分析，考察幻觉加工及判断失败所对应的神经动态。 研究对象是人类对多模态大语言模型（MLLM）生成内容的认知加工，而非新的 BCI 解码算法。作者在 27 名参与者判断 MLLM 生成的图像描述是否正确时记录 EEG，并比较幻觉与非幻觉内容，以及幻觉内容被正确判断与被误判时的神经反应。摘要未提供 MLLM 名称、刺激构成、试次数、EEG 采集配置、ERP 时间窗与电极区域，相关实验协议尚未验证。 作者报告，在该核验任务的平均 ERP 分析中，幻觉与非幻觉内容对应的神经反应呈现不同模式，并将这些模式解释为语义整合、推理加工、记忆检索及认知负荷等过程的差异。作者还报告，被误判与被正确判断的幻觉内容引发的神经反应存在显著差异，并据此提出：被误判的幻觉未能触发常规的神经认知事实核验通路。该通路解释属于作者结论；仅凭摘要无法核对 ERP 成分与认知过程的对应依据、效应量、多重比较处理及潜在混杂因素。 材料提供了公开代码地址，可作为核查分析流程与复现条件的入口，但数据可用性、依赖环境及代码完整性尚未验证。摘要未报告单试次幻觉识别、跨被试泛化或在线反馈结果，因此群体平均 ERP 差异不能直接视为可用的 BCI 检测性能；统计细节与稳健性分析需结合全文确认。