超越 surprisal：GPT 衍生注意力指标为自然阅读中的 N400 预测提供额外解释力

基于摘要分析。该研究关注自然阅读中 N400 振幅是否不仅与词语可预测性有关，还能由 GPT 注意力模式的变化获得补充解释。作者将语言模型衍生指标与 EEG 数据进行混合效应回归分析，报告注意力指标在 surprisal 和词汇熵之外具有额外解释力；研究主要属于语言理解的神经认知建模，并非 BCI 解码方法验证。 数据来自荷兰语自然阅读数据集 RaCCooNs，包含 37 名参与者、每人阅读 200 个荷兰语句子的 EEG。作者将相同句子输入四个 GPT 类语言模型，涵盖单语与多语变体，提取 surprisal、词汇熵以及注意力衍生指标。分析以语言模型指标为固定效应预测变量，纳入词语与参与者层面的随机效应，并控制词频、词语位置和词长，再比较不同指标组合下的模型拟合质量。 作者报告，GPT surprisal 能稳健预测这一荷兰语自然阅读条件下的 N400 振幅；基于两个代表性 GPT 模型的分析，Normalized Attention Entropy（NAE）、ΔNAE 和 Manhattan Distance（MD）在 surprisal 与词汇熵之外提供了显著的额外解释力。摘要未给出效应量、具体显著性数值或拟合改善幅度，因此不能据此量化收益，也不能将回归解释力直接视为未见被试上的预测性能。 其可核对的贡献是把注意力衍生指标从既有阅读时长研究延伸到 N400 建模，为检验语言模型表征与神经语言加工之间的对应关系提供候选变量。注意力指标的具体计算、模型身份、N400 时间窗与电极选择、EEG 预处理、随机效应结构、数据划分、多重比较处理及消融等实验协议与统计信息尚未验证；目前也不能据此认定模型注意力对应人类注意机制。