LLM a ľudské EEG môžu zdieľať jednu os emočnej valencie, naznačuje nový preprint

Nový preprint na arXive s názvom A Shared Valence Axis Across Modern LLMs and Human EEG: The Saturation Regularity skúma prekvapivo úzku otázku: či sa emočná valencia, teda približné rozlíšenie medzi pozitívnym a negatívnym prežívaním, dá zachytiť ako jeden spoločný smer v reprezentáciách veľkých jazykových modelov aj v signáloch ľudského mozgu. Autori Yousef A. Radwan, Xuhui Liu, Kilichbek Haydarov, Yuqian Fu a Mohamed Elhoseiny prácu odoslali 28. mája 2026 a v arXiv feedoch sa objavila 2. júna. Ide o preprint, preto treba výsledky čítať ako výskumnú správu čakajúcu na širšiu odbornú kontrolu, nie ako klinický dôkaz alebo hotovú diagnostickú metódu.

Jadrom článku je takzvaná V-os, jednorozmerný valenčný smer odvodený z moderných LLM. Zaujímavé je, že autori ho nebudujú z veľkých anotovaných korpusov, ale iba z deviatich viet navrhnutých tak, aby vyvolávali odlišné emócie. Z vnútorných reprezentácií modelov potom zostavia smer, ktorý má usporadúvať textové podnety podľa ich pozitívnej alebo negatívnej emočnej hodnoty. Ak by išlo len o šikovne zvolenú hračku, výsledok by bol málo presvedčivý; práve preto štúdia testuje, či takto jednoduchý smer prežije prenos na iné úlohy, modely a napokon aj na neurofyziologické dáta.

Prvá sada validácií smeruje do samotného sveta jazykových modelov. V-os sa podľa autorov prenáša zero-shot na sentimentové benchmarky a vykazuje konzistenciu naprieč štrnástimi LLM. To znamená, že smer odvodený z malého počtu viet nie je len lokálnou zvláštnosťou jedného modelu alebo jedného promptového nastavenia. Pre prax okolo interpretovateľnosti je to dôležité, pretože ukazuje, že aspoň niektoré afektívne vlastnosti textu môžu byť v dnešných modeloch uložené veľmi nízkorozmerne a robustne. Zároveň to neznamená, že model cíti emócie; ide o geometrickú vlastnosť reprezentácií, ktoré vznikli učením na jazyku a dátach s ľudskými emočnými stopami.

Najsilnejšia časť práce je pokus prepojiť tento smer s ľudským EEG. Autori použili verejnú kohortu 123 subjektov sledujúcich afektívne videá a skúmali, či lineárna projekcia EEG príznakov sleduje polohu podnetu na V-osi. Podľa abstraktu sa takýto vzťah objavil: projekcia EEG dát korešpondovala s tým, ako LLM valenčne usporiadal stimuly. Interpretácia musí byť opatrná, pretože EEG je hlučné, nepriamo meria mozgovú aktivitu a afektívne videá spúšťajú viac než len jednoduchú valenciu. Napriek tomu je zaujímavé, že signál odvodený z textových modelov dokáže predpovedateľne rezonovať s údajmi z ľudských reakcií na vizuálne a emočné podnety.

Ešte výraznejší výsledok sa týka tridsiatich šiestich EEG klasifikátorov emócií. Tieto modely boli trénované bez priamej expozície V-osi, no podľa autorov znovuobjavili veľmi podobný smer. Inými slovami, keď sa systémy učia rozlišovať emočné stavy z mozgových dát, ich riešenie sa prirodzene opiera o os, ktorá vyzerá podobne ako valenčný smer nájdený v LLM. Ak sa tento poznatok potvrdí, môže podporiť predstavu, že valencia je v dátach tak dominantná, že ju nezávislé modelovacie pipeline nachádzajú znova a znova. Je to však stále tvrdenie o štatistickej štruktúre reprezentácií, nie o tom, že LLM a mozog používajú rovnaký mechanizmus.

Práca zároveň prináša dôležitú negatívnu správu. Autori otestovali 25 stratégií zarovnania medzi LLM a EEG, vrátane distilácie, reprezentatívnej podobnosti, kontrastívnych prístupov a topografických strát. Intuitívne by sa dalo čakať, že explicitné zarovnanie textových a mozgových reprezentácií zlepší dekódovanie emócií. Nestalo sa: žiadna z týchto stratégií podľa abstraktu nepriniesla zlepšenie a šestnásť z nich dokonca významne znížilo presnosť. To je prakticky užitočný výsledok, pretože varuje pred automatickým pridávaním sofistikovaných multimodálnych strát tam, kde základný signál už zachytáva dominantnú os.

Autori tento jav označujú ako saturation regularity – regularitu nasýtenia. Pointa je, že valenčná os môže byť v moderných LLM aj EEG klasifikátoroch natoľko ľahko dostupná, že ďalšie zarovnávanie už nepridáva informáciu, iba narúša reziduálne časti reprezentácie potrebné pre presné rozhodovanie. Namiesto snahy natlačiť všetky modely do jednej spoločnej geometrie preto autori využívajú zvyškovú diverzitu. Ensemble postavený na tejto reziduálnej rozmanitosti má na datasete FACED zlepšiť balanced accuracy o 10,5 percentuálneho bodu oproti predchádzajúcemu najlepšiemu výsledku a pozorovanie replikujú aj na SEED-V.

Pre výskum umelej inteligencie je na článku zaujímavý najmä most medzi interpretovateľnosťou LLM a afektívnou neurovedou. Ak deväť viet stačí na vyextrahovanie smeru, ktorý sa opakuje medzi modelmi a čiastočne mapuje na EEG reakcie ľudí, ide o silný argument, že niektoré ľudsky významné osi sú v dátach mimoriadne stabilné. Pre vývojárov emočných alebo bezpečnostných systémov to môže znamenať lacnejšie sondy na meranie afektívnych posunov v reprezentáciách. Pre neurovedcov môže ísť o ďalší nástroj na formulovanie hypotéz, nie však o náhradu experimentov navrhnutých priamo na mozgové mechanizmy.

Zároveň treba oddeliť vedecký prísľub od prehnaných záverov. Preprint neukazuje, že LLM majú ľudské emócie, ani že EEG klasifikácia je pripravená na spoľahlivé klinické čítanie nálad. Pracuje s verejnými datasetmi, lineárnymi projekciami a benchmarkovými metrikami, ktoré môžu byť citlivé na výber príznakov, rozdelenia dát či vlastnosti konkrétnych stimulov. Najrozumnejšie čítanie je preto metodologické: autori identifikujú jednoduchú, opakovane sa objavujúcu os valencie a ukazujú, že slepé zarovnávanie modalít nemusí byť cestou k lepším modelom.

Ak sa výsledky potvrdia v recenzovaní a na ďalších kohortách, práca môže ovplyvniť dve oblasti naraz. V interpretovateľnosti LLM posilní hľadanie nízkorozmerných, stabilných smerov s jasným psychologickým významom. V EEG dekódovaní emócií môže presunúť pozornosť od agresívneho zjednocovania reprezentácií k opatrnejšiemu využívaniu diverzity medzi modelmi. Najväčší odkaz článku je teda triezvy: niekedy nie je problém nájsť spoločný signál, ale prestať ho preupravovať vo chvíli, keď už je nasýtený.