Une étude récente a exploré les mécanismes neuronaux qui sous-tendent la conversation naturelle en enregistrant les potentiels de champ local (LFP) de 1910 canaux répartis dans 39 zones du cerveau chez 14 participants subissant une surveillance de l'épilepsie. Les participants ont engagé des conversations libres, et leur activité neuronale a été synchronisée avec les mots transcrits. L'étude a révélé que les changements dans l'activité cérébrale s'alignaient sur le modèle NLP, avec une proportion significative de canaux présentant des corrélations.
La recherche a utilisé un modèle GPT-2 pré-entraîné pour vectoriser la composition des mots et des phrases, permettant ainsi la comparaison avec les données neuronales. L'hémisphère gauche a présenté une activité plus corrélée que le droit. Plusieurs zones du cerveau, notamment le cortex temporal et frontal, le thalamus et le système limbique, ont montré un pourcentage élevé de canaux corrélés aux intégrations NLP. Le ratio le plus élevé de canaux corrélés a été observé dans le cortex précentral gauche lors de la planification de la production de la parole et dans le cortex temporal supérieur gauche et droit lors de la compréhension.
La comparaison avec un modèle BERT a montré une proportion significativement plus élevée de canaux corrélés que le hasard. Les coefficients de corrélation moyens ont diminué lorsque les participants étaient passivement impliqués dans une pseudo-conversation. Les phrases réelles ont suscité un pourcentage significativement plus élevé de canaux répondant par rapport au charabia. Le pourcentage le plus élevé de canaux corrélés a été observé dans les fréquences gamma moyennes (70-110 Hz) pour la compréhension et la production du langage. Les activités neuronales s'alignaient de préférence sur les couches de réseau supérieures pour la planification et la compréhension de la parole.
Ces résultats révèlent une organisation dynamique des activités neuronales qui sous-tendent la production et la compréhension du langage lors d'une conversation naturelle et exploitent l'utilisation de modèles d'apprentissage profond pour comprendre les mécanismes neuronaux qui sous-tendent le langage humain.