Ontology-constrained multi-LLM scoring of hypothesis support in the predictive processing literature
Dit artikel introduceert een door een ontologie beperkte, multi-LLM-pijplijn die gefragmenteerde literatuur over predictieve codering synthetiseert door studies te scoren tegen een gedefinieerde glossarium van hypothesen, waardoor controleerbare onenigheidsmetingen en kwantitatieve bewijsruimtes worden gegenereerd die conventionele meta-analyse niet kan oplossen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Stel je voor dat je probeert een enorme, chaotische bibliotheek te begrijpen waar duizenden wetenschappers boeken hebben geschreven over hoe het menselijk brein de toekomst voorspelt. Het probleem is dat deze boeken in verschillende talen zijn geschreven, verschillende kaarten gebruiken en elkaar soms zelfs tegenspreken. Sommige auteurs praten over "voorspellingsfouten" alsof het elektrische vonken zijn, terwijl anderen ze beschrijven als statistische waarschijnlijkheden. Al deze boeken lezen en proberen te achterhalen waar de wetenschappelijke gemeenschap het daadwerkelijk over eens is, is alsof je een gigantische puzzel probeert te leggen waarvan de stukjes uit verschillende dozen komen.
Dit artikel beschrijft een nieuwe manier om die puzzel op te lossen met een team van AI "bibliothecarissen".
Het Probleem: Een Gefragmenteerde Bibliotheek
De auteurs richten zich op een specifiek veld genaamd Predictive Coding (voorspellende codering). Dit is het idee dat onze hersenen constant raden wat er hierna zal gebeuren en alleen onze aandacht trekken wanneer de realiteit ons verrast (zoals een hard geluid in een stille kamer).
Door de jaren heen hebben wetenschappers dit bestudeerd met veel verschillende instrumenten: hersenscans, elektrische opnames, computermodellen en gedragstesten. Omdat de methoden zo verschillend zijn, is het moeilijk om deze bevindingen samen te voegen tot één helder beeld. Traditionele manieren om wetenschap samen te vatten (genaamd meta-analyse) vereisen meestal dat alle studies op exact dezelfde manier zijn uitgevoerd, wat hier niet mogelijk is.
De Oplossing: Een Raad van AI-Librariassen
In plaats van één menselijke expert die alles probeert te lezen, hebben de auteurs een lokale multi-LLM pipeline gebouwd. Denk aan dit als een "raad" van tien verschillende AI-modellen (zoals een team van tien afzonderlijke experts) die samenwerken in een beveiligde, privéruimte (lokale uitvoering), zodat er geen gevoelige gegevens van hun computers vertrekken.
Zo hebben ze het AI-team aan het werk gezet:
Het Regelboek (De Ontologie): Voordat de AI begon te lezen, creëerden de menselijke auteurs een strikt "glossarium" of regelboek. Dit definieerde 36 specifieke concepten waar de AI naar moest zoeken, gegroepeerd in drie hoofdidées (hypothesen):
- Predictive Suppression (Voorspellende Onderdrukking): Worden de hersenen stiller wanneer ze iets verwachten?
- Feedforward Error Propagation (Feedforward Foutpropagatie): Wanneer de hersenen verrast worden, sturen ze dan een "schreeuw" van foutsignalen omhoog in de hiërarchie?
- Ubiquity (Alomtegenwoordigheid): Wordt deze "voorspellingsmachine" overal in de hersenen gebruikt, of alleen in specifieke gebieden?
Het Leesproces: Het AI-team las 31 wetenschappelijke artikelen. Ze lazen niet alleen de tekst; ze keken ook naar de figuren en grafieken (met behulp van een speciale visuele tool) om de data te begrijpen.
De Score: Voor elk artikel gaf elk van de 10 AI-modellen een score van -1 (sterke onenigheid) tot +1 (sterke overeenstemming) voor elk van de drie hoofdidées. Ze moesten precies citeren waar in het artikel ze hun bewijs vonden, alsof ze een strikte peer reviewer waren.
De Resultaten: Het Landschap in Kaart Brengen
Zodra het AI-team klaar was met scoren, behandelden de auteurs de resultaten als een 3D-kaart.
- De "Lokale" vs. "Globale" Oddball: Ze testten de artikelen in twee verschillende scenario's:
- Lokale Oddball: Een eenvoudige verrassing (zoals een piep in een reeks piepjes).
- Globale Oddball: Een complexe, langdurige patroonverandering (zoals een regelverandering in een spel).
- De Bevindingen:
- Overeenstemming: De AI-raad vond dat de meeste artikelen het erover eens waren dat de hersenen doen aan "predictive suppression" (ze worden stiller bij verwachte zaken) en foutsignalen vooruit sturen.
- Onenigheid: Er was veel minder overeenstemming over de vraag of deze mechanismen overal in de hersenen voorkomen (Ubiquity).
- De Wending: De overeenstemming was veel sterker voor eenvoudige "lokale" verrassingen dan voor complexe "globale" verrassingen. De "globale" context was rommeliger en meer verspreid.
Nieuwe Instrumenten om Wetenschap te Meten
De auteurs hebben slimme manieren uitgevonden om te meten hoe "gecoördineerd" de wetenschappelijke literatuur is:
- Hypotheseruimte-temperatuur: Stel je voor dat de wetenschappelijke artikelen gasdeeltjes in een pot zijn. Als ze allemaal bij elkaar in een hoekje zitten, is de "temperatuur" laag (hoge overeenstemming). Als ze wild door de pot stuiteren, is de "temperatuur" hoog (hoge onenigheid).
- Ze vonden dat de "temperatuur" laag was voor eenvoudige lokale verrassingen (wetenschappers zijn het eens).
- De "temperatuur" was hoog voor complexe globale verrassingen (wetenschappers zijn het oneens).
- De Outlier (Uitschieter): Ze identificeerden één specif으로 artikel (Westerberg et al., 2025) dat heel anders was dan de rest. Het was het oneens met de standaardvisie, vooral met betrekking tot complexe globale patronen. De AI-raad slaagde erin dit artikel als een "outlier" te markeren zonder menselijke vooroordelen.
Waarom Dit Belangrijk Is
Dit artikel demonstreert dat een team van AI-modellen, geleid door een strikt door mensen gemaakt regelboek, een rommelig, gefragmenteerd wetenschappelijk veld kan lezen en dit kan omzetten in een heldere, kwantitatieve kaart.
- Controleerbaarheid: Omdat de AI-modellen lokaal draaien en logs bijhouden van hun redenering, kunnen mensen hun werk controleren.
- Meten van Onenigheid: In plaats van alleen te zeggen "wetenschappers zijn het oneens", meet deze methode hoeveel ze het oneens zijn en waar de onenigheid plaatsvindt.
- Schaalbaarheid: Deze aanpak kan meer artikelen verwerken dan een menselijk team ooit zou kunnen, waardoor de wetenschap de snelheid van nieuwe onderzoeken kan bijhouden.
Kortom, de auteurs hebben een machine gebouwd die een chaotische bibliotheek kan lezen, de boeken in een nette 3D-kaart kan sorteren en ons precies kan vertellen waar de wetenschappers synchroon lopen en waar ze nog steeds discussiëren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.