Forskere har udviklet en ny metode, MD-SigLIP, der adresserer et centralt problem i brain-language decoding: hvordan man kan vide, om det, en AI-model afkoder fra hjernesignaler, reelt afspejler neurale repræsentationer eller blot er rekonstrueret af sprogmodellen selv. Denne usikkerhed hæmmer fortolkningen af resultaterne og forståelsen af, hvordan hjernen og sprog hænger sammen.
Metoden, beskrevet i et nyt paper på arXiv, justerer hjerne-embedding'er direkte med tekst-embedding'er i et fælles semantisk rum. Det muliggør retrieval-baseret dekodning, hvor modellen finder den tekst, der bedst matcher hjerneaktiviteten. Ved at tilføje en margin-reguleret term til kontrastiv læring tvinger MD-SigLIP modellen til at respektere strukturelle rangordninger mellem positive semantiske klynger og negative prøver. Dette fanger den måde, sprog-embedding'er er organiseret på i neurale signaler.
For beslutningstagere er pointen ikke den tekniske detalje, men hvad den muliggør: mere pålidelig og fortolkelig brain-language decoding. Det har betydning for forskning i neurologi, men også for udviklingen af AI-systemer, der skal forstå menneskelig kognition. Eksperimenter viser state-of-the-art præstationer under både fuld-vokabulær og delmængde-evaluering, hvilket indikerer, at metoden er robust.
