本体约束的多语言模型对预测加工文献中假设支持度的评分

在方法多样、理论承诺各异的跨学科领域中，碎片化现象十分常见。预测编码神经科学就是一个典型例子：其文献横跨计算理论、电生理学、成像、行为与建模，由此产生了一个传统元分析难以轻易解决的整合问题。在此，我们描述了一个用于本体约束文献整合的本地多LLM流水线。该流水线读取论文、提取证据、纳入图片描述、组装受约束的提示，并依据专家词表验证输出。我们定义了一份预测编码词表，包含三十六个概念，归入三个假设：预测性抑制、前馈误差传播与普遍性。由十个本地语言模型组成的委员会对局部与全局oddball情境下的31项研究进行了评分。这使成对研究一致性分析、跨模型比较以及三维假设空间映射成为可能。局部oddball情境下的一致性比全局oddball情境更强，尤其在前馈误差传播方面。假设空间温度在局部oddball情境下较低，在全局oddball情境下较高，表明后者离散程度更大。这些结果表明，本地多LLM委员会能够产生可审计的分歧测量，将异质文献映射到定量证据空间中。

中文由 AI 翻译，仅供参考，以原文为准。