通过 EEG 信号编码考察语言模型中类人的下一词预测行为

基于摘要分析。该研究考察语言模型（LMs）与人类在阅读中的下一词预测是否相似，以及哪些可预测性度量能够反映二者与 EEG 神经响应的对应关系。研究分别从人类和 LMs 的词预测中构建 top-1 prediction 与 surprisal 回归变量，用于预测 EEG 记录中的事件相关电位（ERP），将行为预测表现与神经响应对应关系分开检验。 技术上，top-1 prediction 关注预测的首选词，surprisal 则描述实际词相对于预测分布的意外程度；两者提供不同层面的可预测性表征。摘要所述方法属于用预测变量解释或预测 EEG/ERP 的编码分析，并非从 EEG 解码下一词，也不是面向 BCI 控制任务的新算法。 作者报告，在所分析的阅读与词预测条件下，更先进的 LMs 在词预测准确率上与人类表现较为接近，但只有 surprisal 可能与语言加工相关 ERP 存在关联，且这种关系在语义内容较丰富的开放类词中尤其突出。摘要未提供模型名单、具体效应量或统计结果，因此不能将“可能相关”升级为已确立的神经机制一致性。 作者据此质疑：增加 LMs 的参数量和计算预算，未必会持续提升其与类人语言加工的趋同程度。该结论的适用范围仍需结合全文中的模型规模对照、词类划分和统计分析核对，不能扩展为对所有语言模型的普遍判断。 复现时需核对人类预测变量的获取方式、surprisal 的计算与词元对齐、ERP 成分及时间窗、编码模型和评估划分。数据集、被试人数、EEG 预处理、控制变量、实验协议、消融及统计信息尚未验证；摘要也未说明代码或数据的可用性。