llm-human-neural-semantic-convergence

name	llm-human-neural-semantic-convergence
description	LLM与人类神经语义表征收敛性研究方法论。使用伪超扫描MEG实验设计、维度分解的跨脑编码建模、十维语义空间评估，揭示LLM选择性对齐人类共享神经语义的维度依赖特性。
version	1.0.0
created	2026-06-12T00:00:00.000Z
last_updated	2026-06-12T00:00:00.000Z
author	Chen Hong, Ximing Shao, Gangyi Feng
paper_id	arXiv:2606.11598
status	available
activation_keywords	["llm brain alignment","neural semantic representation","interbrain synchronization","semantic dimensions","pseudo-hyperscanning","MEG encoding","human shared semantics","LLM convergence","semantic geometry","neural alignment","dimension-resolved encoding"]

LLM与人类神经语义表征收敛性研究方法论

核心创新点

1. 伪超扫描范式：结合storytelling-listening pseudo-hyperscanning MEG，研究speaker-listener神经同步（NS）
2. 维度分解编码：十维语义空间评估（perception, motor, space, time, socialness, animacy, emotion, attention, causality, drive）
3. 选择性对齐发现：LLM捕获部分人类神经语义，但对agency、affect、social维度对齐不完全
4. 缩放定律验证：更大LLM更接近人类语义结构，但存在维度依赖的收敛差异

研究背景

人际沟通需要构建共享语义，使听众理解说话者的语言意义。LLM越来越接近人类语言能力和神经响应，但它们是否捕获了人脑之间共享的相同语义结构？

方法论详解

1. 伪超扫描MEG实验设计

实验范式：
- Speaker讲述叙事故事（storytelling）
- Listener实时聆听（listening）
- 同步MEG记录（pseudo-hyperscanning）
- 跨脑编码建模（interbrain encoding）

关键假设：
神经同步（NS）超越声学和音韵特征，
反映语义层面的speaker-listener对齐

2. 十维语义空间构建

语义维度（Semantic Dimensions）：
- 感知维度：perception, motor, space, time
- 社会维度：socialness, animacy
- 情感维度：emotion, drive
- 认知维度：attention, causality

评分方法：
- Human rating：人类受试者对叙事内容词评分
- LLM rating：5个最新LLM对相同内容词评分
- 对比分析：Human vs. LLM semantic spaces

3. 维度分解的跨脑编码建模

# 核心分析框架
def dimension_resolved_interbrain_encoding():
    """
    维度分解的跨脑编码建模
    
    步骤：
    1. 提取叙事内容词（content words）
    2. 人类评分 + LLM评分 → 语义向量
    3. 构建语义空间（semantic space）
    4. MEG信号 + 语义向量 → 维度特异性编码分析
    5. Speaker MEG → Listener MEG 预测（NS建模）
    
    关键验证：
    - 语义维度是否解释NS？
    - 是否超越acoustic/phonological控制？
    - 是否预测个体理解的认知差异？
    """
    pass

4. 代表性几何分析（Representational Geometry）

对齐度量：
- Semantic structure overlap：语义结构重叠度
- NS prediction accuracy：神经同步预测准确率
- Dimension-wise divergence：维度特异性偏差

关键发现：
- Larger LLMs ≈ Better human alignment（缩放定律）
- Agency/affect/social dimensions ≈ Largest divergence
- Compositional semantic structure preserved（组合性保持）

核心发现

1. 多维神经结构而非全局信号

结论：共享语义是多维神经结构，而非单一全局信号

证据：
- 十维语义空间解释NS
- 维度特异性神经编码模式
- 个体理解差异预测

2. 选择性对齐（Selective Convergence）

LLM捕获：
✓ Perception, motor, space, time维度（感知维度）
✓ Attention, causality维度（认知维度）
✓ 部分Animacy维度

LLM部分捕获：
~ Emotion维度（情感维度）

LLM偏差最大：
✗ Agency维度（自主性）
✗ Socialness维度（社会性）
✗ Drive维度（驱动力）

核心洞察：
Agency/affect/social维度与社会经验紧密相关，
LLM在这类grounded维度对齐不完全

3. 缩放定律与维度依赖

Scaling pattern：
- Larger LLMs → Better overall alignment
- Capability improvement → Partial approximation improvement
- Social/affective grounding ≈ Persistent divergence

Dimension dependency：
- High convergence：感知/认知维度
- Medium convergence：情感维度
- Low convergence：社会/自主性维度