GCT: metode AI baru mengubah kotak hitam prediksi otak menjadi teori linguistik yang dapat diuji

Model bahasa besar (LLM) dapat memprediksi aktivitas otak dari bahasa dengan akurasi tinggi, namun alasan mengapa mereka bekerja tetap tidak jelas. Peneliti dari Microsoft Research, UC Berkeley, UCSF, dan Columbia memperkenalkan Generative Causal Testing (GCT) untuk mengubah model kotak-hitam ini menjadi teori yang dapat dibaca dan diuji. GCT pertama-tama mengekstrak frasa pendek yang paling mendorong respons prediksi suatu wilayah otak dan merangkumnya menjadi penjelasan seperti "persiapan makanan" atau "nama lokasi." Kemudian LLM menulis cerita baru yang dirancang untuk mengaktifkan wilayah spesifik tersebut; subjek mendengarkannya dalam pemindai fMRI (functional Magnetic Resonance Imaging), dan jika wilayah tersebut menyala di atas tingkat dasar, penjelasan lolos uji kausal. Dalam eksperimen, GCT mengonfirmasi selektivitas yang diketahui dan membedakan tiga area pemrosesan tempat yang bertetangga: korteks retrosplenial (RSC) merespons lebih kuat terhadap nama lokasi yang tepat, area tempat parahippocampal (PPA) terhadap lokasi umum, dan area tempat oksipital (OPA) terhadap tata letak pemandangan. GCT juga menemukan mikrowilayah prefrontal baru yang disetel ke dialog (kata-kata seperti "kata"), waktu jam ("pukul satu"), dan pengukuran numerik ("50 kaki"). Metode ini membuktikan bahwa model berbasis data dapat disuling menjadi teori yang dapat diuji secara eksperimental, memajukan ilmu saraf dan bidang ilmiah yang lebih luas.