Eine aktuelle Studie untersuchte die neuronalen Mechanismen, die natürlichen Gesprächen zugrunde liegen, indem sie lokale Feldpotentiale (LFP) von 1910 Kanälen in 39 Hirnarealen bei 14 Teilnehmern aufzeichnete, die sich einer Epilepsieüberwachung unterzogen. Die Teilnehmer führten freie Gespräche, und ihre neuronale Aktivität wurde mit transkribierten Wörtern synchronisiert. Die Studie ergab, dass Veränderungen der Gehirnaktivität mit dem NLP-Modell übereinstimmten, wobei ein signifikanter Anteil der Kanäle Korrelationen aufwies.
Die Forschung nutzte ein vortrainiertes GPT-2-Modell, um Wort- und Satzzusammensetzung zu vektorisieren und so den Vergleich mit neuronalen Daten zu ermöglichen. Die linke Hemisphäre zeigte eine stärkere korrelierte Aktivität als die rechte. Mehrere Hirnareale, darunter der temporale und frontale Kortex, der Thalamus und das limbische System, zeigten einen hohen Prozentsatz an Kanälen, die mit NLP-Einbettungen korrelierten. Das höchste Verhältnis korrelierter Kanäle wurde im linken präzentralen Kortex während der Sprachproduktionsplanung und im linken und rechten superioren temporalen Kortex während des Verständnisses beobachtet.
Der Vergleich mit einem BERT-Modell zeigte einen signifikant höheren Anteil an korrelierten Kanälen als der Zufall. Die durchschnittlichen Korrelationskoeffizienten nahmen ab, wenn die Teilnehmer passiv an einer Pseudo-Konversation beteiligt waren. Echte Sätze lösten einen signifikant höheren Prozentsatz an reagierenden Kanälen aus als Kauderwelsch. Der höchste Prozentsatz an korrelierten Kanälen wurde in mittleren Gammafrequenzen (70-110 Hz) sowohl für das Sprachverständnis als auch für die Sprachproduktion beobachtet. Neuronale Aktivitäten stimmten bevorzugt mit höheren Netzwerkschichten sowohl für die Sprachplanung als auch für das Verständnis überein.
Diese Ergebnisse zeigen eine dynamische Organisation neuronaler Aktivitäten, die der Sprachproduktion und dem Sprachverständnis während natürlicher Gespräche zugrunde liegen, und nutzen den Einsatz von Deep-Learning-Modellen, um die neuronalen Mechanismen zu verstehen, die der menschlichen Sprache zugrunde liegen.