Un recente studio ha esplorato i meccanismi neurali alla base della conversazione naturale registrando i potenziali di campo locale (LFP) da 1910 canali in 39 aree cerebrali in 14 partecipanti sottoposti a monitoraggio dell'epilessia. I partecipanti hanno intrapreso conversazioni libere e la loro attività neurale è stata sincronizzata con le parole trascritte. Lo studio ha scoperto che i cambiamenti nell'attività cerebrale si allineavano con il modello NLP, con una proporzione significativa di canali che mostravano correlazioni.
La ricerca ha utilizzato un modello GPT-2 pre-addestrato per vettorializzare la composizione di parole e frasi, consentendo il confronto con i dati neurali. L'emisfero sinistro ha mostrato un'attività più correlata rispetto al destro. Diverse aree del cervello, tra cui la corteccia temporale e frontale, il talamo e il sistema limbico, hanno mostrato un'alta percentuale di canali correlati agli embedding NLP. Il rapporto più alto di canali correlati è stato osservato nella corteccia precentrale sinistra durante la pianificazione della produzione del linguaggio e nella corteccia temporale superiore sinistra e destra durante la comprensione.
Il confronto con un modello BERT ha mostrato una proporzione significativamente maggiore di canali correlati rispetto al caso. I coefficienti di correlazione medi sono diminuiti quando i partecipanti sono stati coinvolti passivamente in una pseudo conversazione. Le frasi reali hanno suscitato una percentuale significativamente maggiore di canali che rispondevano rispetto al gergo. La percentuale più alta di canali correlati è stata osservata nelle frequenze gamma medie (70-110 Hz) sia per la comprensione che per la produzione del linguaggio. Le attività neurali si sono allineate preferenzialmente con i livelli di rete superiori sia per la pianificazione che per la comprensione del linguaggio.
Questi risultati rivelano un'organizzazione dinamica delle attività neurali che sottendono la produzione e la comprensione del linguaggio durante la conversazione naturale e sfruttano l'uso di modelli di apprendimento profondo per comprendere i meccanismi neurali alla base del linguaggio umano.