生成因果测试：数据驱动模型与语言神经科学理论之间的桥梁
计算与语言
2025-03-04 v2 神经元与认知
摘要
大型语言模型的表示在预测语言刺激的BOLD fMRI响应方面效果很好。然而，这些表示大多是透明的：尚不清楚语言刺激的哪些特征驱动每个脑区的响应。我们提出了生成因果测试（GCT），这是一种从预测模型中生成简洁解释语言选择性的框架，然后通过使用LLM生成的刺激进行后续实验测试这些解释的框架。该方法在解释单个体素和感兴趣脑区（ROI）的选择性方面成功有效，包括在前额叶皮层中新发现的微ROI。我们显示，解释精度与底层预测模型的预测力和稳定性密切相关。最后，我们表明GCT能够解剖功能选择性相似的脑区之间的细粒度差异。这些结果表明，LLM可用于弥合数据驱动模型与形式科学理论之间的差距。
引用
@article{arxiv.2410.00812,
title = {Generative causal testing to bridge data-driven models and scientific theories in language neuroscience},
author = {Richard Antonello and Chandan Singh and Shailee Jain and Aliyah Hsu and Sihang Guo and Jianfeng Gao and Bin Yu and Alexander Huth},
journal= {arXiv preprint arXiv:2410.00812},
year = {2025}
}