💬 NLP

Riding Brainwaves in LLM Space: Understanding Activation Patterns Using Individual Neural Signatures

Dit onderzoek toont aan dat bevroren grote taalmodellen stabiele, persoonsspecifieke neurale richtingen bevatten in hun diepe lagen die individuele EEG-activaties nauwkeuriger voorspellen dan algemene populatiemodellen, wat een fundament legt voor EEG-gedreven personalisatie.

Oorspronkelijke auteurs: Ajan Subramanian, Sumukh Bettadapura, Rohan Sathish

Gepubliceerd 2026-03-24

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Ajan Subramanian, Sumukh Bettadapura, Rohan Sathish

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Hersenen in de taal van AI: Hoe een computermodel jouw unieke breinpatroon kan "lezen"

Stel je voor dat je en je beste vriend dezelfde zin lezen: "De regen viel zachtjes op het dak." Voor jullie beiden is het dezelfde tekst, maar jullie hersenen reageren erop op een heel verschillende manier. Voor jou is het misschien een herinnering aan een gezellige middag; voor je vriend is het een sombere dag.

Tot nu toe dachten onderzoekers dat kunstmatige intelligentie (AI), zoals de grote taalmodellen die we vandaag gebruiken, alleen de gemeenschappelijke taal kon begrijpen. Ze zagen de verschillen tussen mensen als "ruis" of storing die je moest weghalen om het echte signaal te vinden.

Maar dit nieuwe onderzoek zegt: Nee, die verschillen zijn juist het geheim.

Hier is wat de onderzoekers hebben ontdekt, vertaald naar simpele taal:

1. De "Brein-vingerafdruk" in de computer

De onderzoekers keken naar een gigantisch taalmodel (een soort super-intelligente computer die taal leert) en vroegen zich af: "Kan deze computer zien wie er aan het lezen is, alleen maar door te kijken naar hoe het woord 'recessie' of 'liefde' in zijn interne geheugen wordt verwerkt?"

Ze gebruikten EEG-hoofdbanden (zoals die in consumentenelektronica komen) om de hersengolven van 30 mensen te meten terwijl ze zinnen lazen. Vervolgens lieten ze de computer de woorden "denken" en keken ze of de computer de hersengolven van jou kon voorspellen, en die van jouw buurman niet.

Het resultaat? Ja! De computer kon precies zien wie er aan het lezen was.

2. De Analogie: De Unieke Kompasrichting

Stel je voor dat het interne geheugen van de AI een enorme, donkere kamer is vol met miljoenen lichten.

De oude manier (Bevolkingsgemiddelde): De onderzoekers vroegen zich af: "Waar brandt het licht het felst als iedereen het woord 'liefde' leest?" Ze vonden één gemiddelde plek. Dit werkt okay, maar het is saai en niet persoonlijk.
De nieuwe manier (Individueel): Ze vroegen zich af: "Waar brandt het licht voor jou als jij 'liefde' leest, en waar voor jij?"

Ze ontdekten dat voor elke persoon er een unieke, onzichtbare richting in die kamer is die oplicht.

Voor jou is het een pijl die naar het noorden wijst.
Voor je buurman is het een pijl die naar het zuidwesten wijst.

Deze "pijlen" (die de onderzoekers neuronale richtingen noemen) zijn stabiel. Als je vandaag een zin leest en morgen een andere, wijst jouw pijl steeds in dezelfde richting. Maar als je de pijl van je buurman gebruikt om jouw hersenen te voorspellen, faalt het completely. Het is alsof je probeert een sleutel te gebruiken die voor een ander slot is gemaakt.

3. Waarom is dit zo cool?

Het onderzoek toonde aan dat deze persoonlijke "pijlen" zich vooral in de diepste lagen van de computer zitten (ver weg van de oppervlakte).

Het is geen toeval: Ze testten het met een "negatieve controle": het tellen van het aantal keren dat iemand op een woord kijkt (fixaties). Dit hangt af van hoe lang een woord is, niet van wie er leest. Hier vonden ze geen persoonlijk verschil. Dus, het is echt iets met de hersenen, niet met de ogen.
Het is robuust: Het werkt zelfs als je rekening houdt met hoe snel iemand leest of hoe moeilijk een woord is.
Het werkt bij verschillende modellen: Ze testten het met twee verschillende super-computers (Qwen en LLaMA) en het resultaat was hetzelfde.

4. Wat betekent dit voor de toekomst?

Stel je voor dat je binnenkort een slimme oordopje of hoofdband draagt.

Je leest even een paar zinnen.
De computer scant je hersenen en vindt jouw unieke "pijl" in zijn digitale wereld.
Vervolgens kan de computer zich aanpassen aan jou.

In plaats van dat de AI probeert te raden wat je wilt, kan hij je hersensignaal gebruiken om te zeggen: "Ah, dit woord spreekt jouw brein aan op een specifieke manier, ik ga mijn antwoord iets anders formuleren zodat het nog beter bij jou past."

Het is alsof de computer niet langer een algemene vertaler is voor de hele mensheid, maar een persoonlijke tolk die precies weet hoe jouw brein werkt.

Kortom:
Deze studie bewijst dat er in de "geheugenruimte" van een AI een heel specifiek plekje is voor jouw unieke brein. Het is een eerste stap naar een toekomst waarin computers niet alleen slim zijn, maar ook persoonlijk voor jou, gebaseerd op hoe jouw eigen hersenen werken.

Probleemstelling

Traditionele onderzoeksmethoden om Large Language Models (LLM's) te vergelijken met menselijke hersenactiviteit (neuro-linguïstische uitlijning) werken op populatie-niveau. Ze middelen neurale data over alle proefpersonen heen om een algemeen model te vinden dat de "gemiddelde" hersenreactie voorspelt. Dit benadertingsprobleem negeert echter een cruciaal feit uit de precisie-neurobeeldvorming: individuele verschillen in hersenfunctie zijn geen ruis, maar een dominante bron van variatie die vaak groter is dan taak- of sessie-effecten.

De centrale vraag van dit paper is: Kunnen de interne representaties van een bevroren LLM individuele neurale patronen coderen? Met andere woorden, bestaan er specifieke richtingen in de activatieruimte van een taalmodel die de hersenactiviteit van één specifieke persoon voorspellen, maar niet die van anderen?

Methodologie

De auteurs testen deze hypothese door een experiment op te zetten dat verschilt van de standaard "één model voor iedereen"-benadering.

Dataset:
- Gebruik van het ZuCo-corpus (ZuCo 1.0 en 2.0), bestaande uit 30 deelnemers die natuurlijke zinnen lezen.
- Data omvat woordniveau EEG (8 frequentiebanden, van theta tot high-gamma) en oogbewegingen (eye-tracking) over 5 tijdsvensters (bijv. First Fixation Duration, Total Reading Time).
- Er zijn 196.162 woordobservaties in totaal.
Model Architectuur:
- Hoofdmotor: Een bevroren Qwen 2.5 7B (28 lagen, 3.584 dimensies).
- Validatie: Het proces wordt gerepliceerd met LLaMA 3.1 8B (32 lagen).
- Hidden states worden geëxtraheerd op specifieke lagen (1, 4, 8, ..., 28) en verkleind via PCA naar 50 dimensies om regressie mogelijk te maken met de beschikbare data.
Probing Framework (Het Experiment):
- Populatie-probe: Eén lineaire Ridge-regressie wordt getraind op de data van alle 30 deelnemers samengevoegd, om de gemiddelde hersenreactie te voorspellen.
- Persoon-specifieke probes: Er wordt een aparte lineaire Ridge-regressie getraind voor elke individuele deelnemer (30 probes in totaal). Elke probe leert een unieke vectorrichting in de activatieruimte van het LLM die specifiek is voor die persoon's EEG-signaal.
- Negatieve controles: Er worden controles uitgevoerd met variabelen die geen individuele cognitieve variatie zouden moeten tonen, zoals het aantal fixaties (nFixations), en met gerandomiseerde data of statische embeddings (GloVe).

Belangrijkste Bijdragen

Ontdekking van Individuele Neuronale Richtingen: Het paper toont aan dat bevroren LLM-representaties niet alleen algemene taalkundige patronen bevatten, maar ook stabiele, persoon-specifieke richtingen die individuele hersenactiviteit voorspellen.
Geometrische Validatie: De auteurs bewijzen dat deze richtingen uniek zijn voor de persoon, stabiel in de tijd, en niet overdraagbaar naar anderen. Ze zijn ook onafhankelijk van het gezamenlijke populatie-signaal.
Diepte-analyse: Het onderzoek identificeert dat deze individuele signalen zich voornamelijk concentreren in de diepere lagen van het netwerk (piekend bij laag 24 van 28).
Robuustheid: De bevindingen houden stand na het verwijderen van woord-gerelateerde confounders (zoals woordlengte en frequentie) en repliceren in een tweede modelarchitectuur (LLaMA).

Resultaten

Superieure Prestaties: Persoon-specifieke probes presteren significant beter dan de populatie-probe op elk getest EEG-functie.
- Voor high-gamma power (TRT g2) bereikt de persoon-specifieke probe een Spearman-correlatie ( $\rho$ ) van 0,183, terwijl de populatie-probe slechts 0,020 haalt. Dit is een negenvoudige verbetering ( $p < 10^{-4}$ ).
- Voor gemiddelde pupilgrootte (een fysiologische maatstaf) is het verschil nog groter ( $\rho = 0,261$ vs $0,071$).
Niet-overdraagbaarheid: Een probe getraind op persoon A werkt slecht op persoon B.
- Zelfvoorspelling (Self): $\rho = 0,369$ .
- Voorspelling op anderen (Other): $\rho = 0,143$ .
- Dit bevestigt dat de geleerde richtingen echt persoon-specifiek zijn en geen artefact van ruis.
Onafhankelijkheid van Populatie-signaal: Zelfs na het aftrekken van het populatie-signaal van de EEG-data, behouden de persoon-specifieke probes hun voorspellende kracht. Dit betekent dat ze een uniek signaal vangen dat niet in het gemiddelde zit.
Controles:
- Voor nFixations (aantal oogbewegingen, afhankelijk van woordlengte/frequentie) was er geen persoon-specifiek voordeel ( $p = 0,360$ ). Dit bewijst dat het effect niet puur voortkomt uit het overfitten van individuele ruis of leesgedrag.
- Statistische controles (gerandomiseerde data, statische embeddings) bevestigen dat het effect specifiek is voor contextuele LLM-representaties.

Betekenis en Toekomstperspectief

Fundamenteel Inzicht: Dit werk biedt een geometrisch fundament voor neuro-gebaseerde personalisatie. Het toont aan dat de "ruimte" van een taalmodel individuele cognitieve handtekeningen bevat die toegankelijk zijn via lineaire projecties.
Praktische Toepassing: Naarmate EEG-hardware (zoals oordopjes of hoofdbanden) toegankelijker wordt, kunnen korte kalibratiesessies worden gebruikt om de specifieke neurale richting van een gebruiker in modelruimte te extraheren.
Steering van Generatie: Deze individuele richtingen kunnen theoretisch worden gebruikt om de generatie van een LLM tijdens de inferentie aan te sturen ("steering"), zodat de output beter aansluit bij de cognitieve verwerking van de specifieke gebruiker.
Verbetering van Benchmarks: Bestaande benchmarks zoals Brain-Score, die op populatie-niveau werken, missen een groot deel van de decodeerbare informatie. Toekomstige evaluaties moeten rekening houden met individuele variatie.

Conclusie: Bevroren taalmodellen bevatten stabiele, persoon-specifieke neurale richtingen in hun diepere lagen. Dit opent de weg voor een nieuwe generatie van AI-systemen die zich niet alleen aanpassen aan tekst, maar direct aan de biologie van de lezer.