Nuevo método de IA descifra reacciones cerebrales al lenguaje: de predicciones a teorías comprobables

Los modelos basados en grandes modelos de lenguaje (LLM, por sus siglas en inglés) son capaces de predecir con alta precisión las reacciones del cerebro humano al lenguaje, pero su funcionamiento interno sigue siendo un conjunto de parámetros no interpretables. Investigadores de Microsoft Research, la Universidad de California en Berkeley, la Universidad de California en San Francisco y la Universidad de Columbia presentaron en Nature Neuroscience un método de prueba causal generativa (GCT, por sus siglas en inglés). El GCT primero extrae del modelo predictor, para cada región de la corteza, una explicación textual breve —por ejemplo, "preparación de comida" o "nombres de lugares". Luego, un LLM escribe historias nuevas, especialmente diseñadas para activar esa región, y los sujetos las escuchan dentro de un escáner de resonancia magnética funcional (fMRI, por sus siglas en inglés). Si la región realmente se activa más que con el texto de fondo, la explicación se considera confirmada causalmente, no por correlación. El método no solo permitió confirmar la selectividad conocida de ciertas áreas, sino también diferenciar tres zonas contiguas de procesamiento de información espacial: la corteza retrosplenial (RSC, por sus siglas en inglés), el área parahipocampal de lugares (PPA, por sus siglas en inglés) y el área occipital de lugares (OPA, por sus siglas en inglés). Por ejemplo, la RSC reacciona más intensamente a nombres propios de accidentes geográficos, como "Tokio" o "Connecticut", que a palabras generales sobre lugares. Además, el GCT descubrió "microregiones" prefrontales previamente desconocidas, sintonizadas con conceptos específicos: una para el diálogo entre personas (palabras como "dijo", "contó"), otra para menciones de tiempo ("hora del día") y una tercera para mediciones numéricas ("50 pies"). Los autores señalan que el enfoque GCT podría aplicarse más allá de la neurociencia, en cualquier ámbito donde los modelos predictivos potentes sigan siendo "cajas negras" y se necesiten teorías comprobables.