默认模式网络在反事实语言理解中区分自我与他人：来自多变量 EEG 解码与 LLMs 的证据

本研究探讨反事实语言理解中第一人称与第三人称视角的 EEG 表征差异，并检验功能网络分区是否比传统电极解剖分组更敏感。基于摘要分析，核心贡献是比较两类分组下的多变量解码，并通过表征相似性分析（RSA）考察默认模式网络（DMN）活动与 Chinese-BERT 语义表征的关系。 研究分析了汉语普通话母语者阅读第一人称、第三人称反事实句及因果句时的 EEG。方法以 theta、alpha、beta 频段功率为特征，采用多变量模式分析（MVPA），比较传统 10–20 系统解剖分组与 Yeo-7 功能网络分区。摘要未交代从头皮电极或源空间映射到 Yeo-7 网络的具体流程，该步骤是理解网络归属及空间解释的关键。 作者报告，在所评估的各分类器中，Yeo-7 分区的分类表现均显著优于解剖分组，模型间变异更低，跨被试泛化更稳定；其中 DMN 的区分能力最强，theta 频段 DMN 特征是人称视角的重要预测特征。摘要未提供分类器名称、被试数、划分方案或具体性能数值，因此尚不能量化其泛化收益。 作者报告，时间分辨 RSA 显示，第一人称反事实加工中的 DMN 活动与 Chinese-BERT 语义表征动态对齐，且对齐在刺激呈现前已出现；第三人称及因果句条件未观察到该现象，全皮层 RSA 也未发现显著簇。作者将其解释为 DMN 介导的预测性语义模拟，但这种表征关联及显著性分布本身尚不足以确立因果机制或排他性的空间定位。 复现时需核对任务时间线、刺激前上下文、EEG 预处理与时频估计、网络映射、跨被试数据划分、Chinese-BERT 表征提取及 RSA 多重比较校正。实验协议、消融及统计信息尚未验证。研究对象是语言理解的神经表征，不能据此认定已改善 BCI 性能，也不能将其跨被试分类结果等同于域适应或域泛化算法验证。