Postprocessing of P300 Speller Output with a Large Language Model
Cet article démontre que l'utilisation de grands modèles de langage, particulièrement Gemma 3 avec la tokenisation SentencePiece et le prompting à quelques exemples (few-shot prompting), en tant qu'étape de post-traitement, peut corriger efficacement les erreurs au niveau des caractères dans la sortie d'un épelleur P300, permettant ainsi une communication plus rapide avec moins de répétitions de stimuli tout en maintenant une précision élevée pour les utilisateurs souffrant de handicaps moteurs et de la parole.