GCT: nieuwe AI-methode maakt 'black boxes' voor hersensvoorspelling omzetbaar in toetsbare taalkundige theorieën

LLM's kunnen met hoge nauwkeurigheid hersenactiviteit voorspellen op basis van taal, maar waarom ze werken blijft onduidelijk. Onderzoekers van Microsoft Research, UC Berkeley, UCSF en Columbia introduceerden Generative Causal Testing (GCT) om deze black-box modellen om te zetten in leesbare, toetsbare theorieën. GCT extraheert eerst korte zinnen die het meest de voorspelde reactie van een hersengebied aansturen en vat ze samen in een verklaring zoals 'voedselbereiding' of 'locatienamen'. Vervolgens schrijft een LLM nieuwe verhalen die ontworpen zijn om dat specifieke gebied te activeren; proefpersonen horen deze in een fMRI-scanner, en als het gebied boven de basislijn oplicht, slaagt de verklaring voor een causale test. In experimenten bevestigde GCT bekende selectiviteit en onderscheidde drie naburige plaatsverwerkingsgebieden: de retrospleniale cortex (RSC) reageert sterker op eigenlijke locatienamen, het parahippocampale plaatsgebied (PPA) op algemene locaties, en het occipitale plaatsgebied (OPA) op de scène-indeling. Het ontdekte ook nieuwe prefrontale micro-regio's die afgestemd zijn op dialoog (woorden zoals 'zei'), kloktijden ('een uur') en numerieke metingen ('50 voet'). De methode bewijst dat datagestuurde modellen kunnen worden gedestilleerd tot experimenteel toetsbare theorieën, wat zowel de neurowetenschap als bredere wetenschappelijke vakgebieden vooruithelpt.