Postprocessing of P300 Speller Output with a Large Language Model
Este artigo demonstra que utilizar modelos de linguagem de grande escala, particularmente o Gemma 3 com tokenização SentencePiece e prompting de poucos disparos (few-shot prompting), como uma etapa de pós-processamento pode corrigir eficazmente erros de nível de caractere na saída do speller P300, permitindo, assim, uma comunicação mais rápida com menos repetições de estímulos, mantendo uma alta precisão para usuários com deficiências motoras e de fala.