GCT: neue KI-Methode verwandelt Black Boxes der Hirnvorhersage in testbare linguistische Theorien

LLMs können Gehirnaktivität aus Sprache mit hoher Genauigkeit vorhersagen, aber warum sie funktionieren, bleibt undurchsichtig. Forscher von Microsoft Research, der UC Berkeley, der UCSF und der Columbia University haben Generative Causal Testing (GCT) eingeführt, um diese Black-Box-Modelle in lesbare, testbare Theorien zu verwandeln. GCT extrahiert zunächst kurze Phrasen, die die vorhergesagte Reaktion einer Gehirnregion am stärksten antreiben, und fasst sie zu einer Erklärung zusammen, wie zum Beispiel „Essenszubereitung“ oder „Ortsnamen“. Dann schreibt ein LLM neue Geschichten, die darauf ausgelegt sind, diese spezifische Region zu aktivieren; Probanden hören sie in einem fMRI-Scanner, und wenn die Region über dem Basiswert aufleuchtet, besteht die Erklärung einen kausalen Test. In Experimenten bestätigte GCT bekannte Selektivität und unterschied drei benachbarte Ortsverarbeitungsbereiche: Der retrospleniale Kortex (RSC) reagiert stärker auf korrekte Ortsnamen, der parahippocampale Ortsbereich (PPA) auf allgemeine Orte und der occipitale Ortsbereich (OPA) auf die Szenerieanordnung. Es entdeckte auch neue präfrontale Mikroregionen, die auf Dialog (Wörter wie „sagte“), Uhrzeiten („ein Uhr“) und numerische Maße („50 Fuß“) abgestimmt sind. Die Methode beweist, dass datengetriebene Modelle in experimentell testbare Theorien destilliert werden können, was sowohl die Neurowissenschaft als auch breitere wissenschaftliche Bereiche voranbringt.