arXivに新たに公開された研究は、現代の大規模言語モデル（LLM）がヒトの脳内神経表現を理解するためのレンズとして機能するかどうかを、EEGにおける感情価に焦点を当てて検討した。研究チームはまず、わずか9つの感情喚起文を用いて、現代のLLMから1次元の感情価方向（V軸）を構築した。この方向は、感情ベンチマークへのゼロショット転移および14のLLM間のモデル間一貫性によって検証された。
次に、このLLM由来の方向がヒトの神経活動にマッピングできることを示した。感情動画を視聴する123名の被験者からなる公開EEGコホートにおいて、EEG特徴量に対する単一の線形投影が各刺激のV軸位置を追跡できることがわかった。さらに、V軸に触れずに訓練された36のEEG感情分類器が、その内部表現において同じ方向を自発的に再発見した。これは、言語モデルとヒトの電気生理学の両方で同じ感情価構造が出現することを示唆している。
しかし、この収束は有効な訓練信号を提供しなかった。研究チームは知識蒸留、表現類似性、対照損失、トポグラフィ損失を含む25のアラインメント戦略をテストしたが、いずれもデコーディングを改善せず、16の戦略は精度を有意に低下させた。彼らはこの結果を「飽和規則性」として定式化した。すなわち、タスクラベルだけが脳デコーディングネットワークを目標方向に駆動すると、追加の監督は主にすでに飽和した盆地を歪め、負荷を担うクラス内残差には有用な勾配がほとんど与えられないというものである。
この規則性は、改善がどこから来るべきかも示している。監督では到達できない残差部分空間である。この洞察に基づき、研究者らは盆地を監督するのではなく残差の多様性にわたってアンサンブルを行い、FACEDデータセットで従来の最高精度を10.5%上回るバランス精度を達成し、SEED-Vでも同じ効果を再現した。本論文はYousef A. Radwanら5名の著者によって2026年5月28日に投稿され、機械学習（cs.LG）および人工知能（cs.AI）の領域に属する。