通过大语言模型嵌入解码神经情感模式

理解语言中的情感表达如何与大脑功能相关联，是计算神经科学与情感计算领域的一项挑战。传统神经影像技术成本高昂且局限于实验室，但丰富的数字文本为情感-大脑映射提供了新途径。以往研究大多分别考察基于神经影像的情感定位或计算文本分析，缺乏两者间的整合。我们提出一种计算框架，无需神经影像即可将文本情感内容映射到解剖学定义的大脑区域。使用 OpenAI 的 text-embedding-ada-002，我们生成高维语义表示，应用降维与聚类技术识别情感分组，并将其映射到与情感处理相关的 18 个大脑区域。我们进行了三项实验：i) 分析健康受试者与抑郁症受试者的对话数据（DIAC-WOZ 数据集）以比较映射模式；ii) 将该方法应用于 GoEmotions 数据集；iii) 比较人类撰写文本与大语言模型（LLM）的回复，以评估推断出的大脑激活差异。情感强度通过词汇分析进行评分。结果表明，该映射具有神经解剖学上的合理性及高空间特异性。抑郁症受试者表现出与负性情感相关的边缘系统激活更强。离散情感被成功区分。LLM 生成的文本在基本情感分布上与人类一致，但在共情和自我参照区域（内侧前额叶皮层和后扣带回皮层）缺乏精细的激活。这种低成本、可扩展的方法实现了对自然语言的大规模分析，能够区分临床群体，并为评估 AI 情感表达提供了基于大脑的基准。