Les impacts cognitifs des interactions avec des modèles linguistiques de grande taille sur la résolution de problèmes et la prise de décision à l'aide d'analyses d'EEG

Introduction L'intégration croissante des modèles linguistiques de grande taille (LLMs) dans la collaboration homme-AI nécessite une compréhension plus approfondie de leurs impacts cognitives sur les utilisateurs. Les méthodes d'évaluation traditionnelles se sont principalement concentrées sur la performance des tâches, négligeant les dynamiques neuronales sous-jacentes durant l'interaction. Méthodes Dans cette étude, nous introduisons un nouveau cadre qui exploite les signaux d'électroencéphalographie (EEG) pour évaluer comment les interactions avec les LLM affectent des processus cognitifs tels que l'attention, la charge cognitive et la prise de décision. Notre cadre intègre un Transformateur de Langage Sensible à l'Interaction (IALT), qui améliore la modélisation au niveau du token grâce à des mécanismes d'attention dynamique, et une Stratégie de Raisonnement Optimisée par l'Interaction (IORS), qui emploie l'apprentissage par renforcement pour affiner les chemins de raisonnement de manière cognitive alignée. Résultats En couplant ces innovations avec des données neuronales en temps réel, le cadre fournit une évaluation fine et interprétable des changements cognitifs induits par les LLM. Des expériences approfondies sur quatre ensembles de données EEG de référence, à savoir la Base de données pour l'Analyse des Émotions à l'aide de Signaux Physiologiques (DEAP), un Ensemble de données pour la Recherche sur les Émotions, la Personnalité et l'Humeur sur des Individus et des Groupes (AMIGOS), l'Ensemble de données EEG d'Émotions de SJTU (SEED) et la Base de données pour la Reconnaissance des Émotions par EEG et ECG (DREAMER) montrent que notre méthode surpasse les modèles existants tant dans l'exactitude de la classification des émotions que dans l'alignement avec les signaux cognitifs. L'architecture maintient des performances élevées à travers diverses configurations EEG, y compris des systèmes portables de faible densité sensibles au bruit, soulignant ainsi sa robustesse et son applicabilité pratique. Discussion Ces résultats offrent des perspectives exploitables pour concevoir des systèmes LLM plus adaptatifs et cognitivement conscients, et ouvrent de nouvelles avenues de recherche à l'intersection de l'intelligence artificielle et des neurosciences.