我们实际在解码什么？非侵入式大脑到语言检索的源归因

在非侵入式神经语言解码中，结果可能被非刺激诱发的神经证据来源所夸大：解码器先验、基于嵌入的度量以及非神经结构噪声（如信号持续时间）。因此，方法论的挑战在于归因：当报告的增益可以追溯到特定来源时，它才更具信息量。我们将刺激锁定的脑磁图到音频检索重构为一个审计框架，该框架将表观性能分解为三个来源——结构捷径、窗口级刺激锁定证据和跨窗口上下文聚合——并为每个来源提供诊断。在可变长度解码下，无信号的噪声达到了 66.3% 的 Rank@1 (R@1)，但一旦强制使用固定时长窗口和刺激身份分割，性能便崩溃至接近随机水平，从而隔离了结构泄漏。在这些控制条件下，固定窗口检索恢复了可测量的 MEG-音频可辨别性，而一个预言机句子桶诊断显示，95.7% 的 Top-1 错误选择了错误的句子，将残余瓶颈定位在句子级竞争上。我们使用组上下文偏置（GCB）来审计这一上下文来源，这是一种推理时的加性 logit 偏置，它汇集了跨窗口的句子一致性证据，同时保持基础检索分数和候选池不变。作为一种分数空间干预，GCB 使上下文来源变得可测量：在相同的固定设置下，R@1 在 Gwilliams 数据集上从 44% 提升到 52%，在 MOUS 数据集上从 22% 提升到 29%。GCB 在此设计下是可审计的：其效果在随机分组扰动下消失，并且当 MEG 中的局部证据减弱或 EEG 中接近随机水平时消失，这支持将其用作一种受控的源归因干预。这些结果表明，脑到语言的性能应进行源归因，而不仅仅是报告。