结合大语言模型与眼动追踪生物标记物的阅读理解分析图表示
计算与语言
2025-07-17 v1 神经元与认知
摘要
阅读理解是人类认知发展中的基本技能。随着大语言模型（LLM）的发展，越来越需要比较人类与 LLM 在不同语境下如何理解语言，并将这种理解应用于推理、情感解读和信息检索等功能性任务。我们先前的工作使用 LLM 和人类生物标记物研究阅读理解过程。结果表明，由 LLM 标记的与推理目标具有高相关性和低相关性的词所对应的生物标记物表现出不同的模式，特别是在使用眼动追踪数据进行验证时。然而，仅关注单个单词限制了理解的深度，这使得结论尽管具有潜在重要性，但仍有些简单化。本研究使用基于 LLM 的 AI 智能体将阅读段落中的词分组成节点和边，基于语义和面向问题的提示形成基于图的文本表示。然后，我们比较了在重要节点和边上的眼动注视分布。我们的发现表明，LLM 在图拓扑结构层面的语言理解上表现出高度一致性。这些结果建立在先前发现的基础上，并为有效的人机协同学习策略提供了见解。
引用
@article{arxiv.2507.11972,
title = {Graph Representations for Reading Comprehension Analysis using Large Language Model and Eye-Tracking Biomarker},
author = {Yuhong Zhang and Jialu Li and Shilai Yang and Yuchen Xu and Gert Cauwenberghs and Tzyy-Ping Jung},
journal= {arXiv preprint arXiv:2507.11972},
year = {2025}
}