NERDMANForscher scannen Gehirne und fluten LLMs
112 Probanden, drei Sprachen, sieben KI-Modelle in der fMRT-Röhre. Eine neue Studie zeigt: Wie gut ein LLM zum menschlichen Gehirn "passt", hängt nicht von der Sprachfamilie ab. Es hängt davon ab, womit das Modell gefüttert wurde.
Was die Forscher gemacht haben
Das Team nutzte fMRI-Daten aus dem "Le Petit Prince"-Korpus. Probanden lasen denselben Text auf Englisch, Chinesisch und Französisch. Parallel ließen die Forscher sieben LLMs denselben Text verarbeiten.
Dann wurde verglichen: Welche neuronale Aktivität ähnelt welcher LLM-Repräsentation?
- 112** — Probanden im Scanner
- 3** — getestete Sprachen (EN, ZH, FR)
- 7** — analysierte LLMs (englisch-dominant, chinesisch-dominant, multilingual)
- 1** — Buchvorlage: Der kleine Prinz
Das zentrale Ergebnis
Brain-LLM-Alignment funktioniert auch außerhalb von Englisch. Aber: Die Übereinstimmung mit dem Gehirn folgt nicht der Sprachtypologie. Sie folgt den Trainingsdaten des Modells.
Ein chinesisch-dominantes LLM matcht chinesische Gehirne besser. Nicht weil Chinesisch grammatikalisch anders ist — sondern weil das Modell mehr chinesischen Text gesehen hat.
💡 Was das bedeutet
Die Idee, dass LLMs irgendeine "universelle Sprachstruktur" lernen, kriegt einen Dämpfer. Was die Modelle wirklich abbilden, ist der Bias ihres Trainingscorpus. Wer ein Modell für nicht-englische Märkte baut, muss klotzen statt kleckern — kein Multilingual-Anstrich rettet das.
✅ Pro
- Erste cross-linguale Brain-Alignment-Studie dieser Größe
- Klare methodische Trennung zwischen Sprache und Daten
- Räumt mit dem "LLMs verstehen Sprache universell"-Mythos auf
❌ Con
- Nur ein Text (Der kleine Prinz) als Basis
- fMRI bleibt grobe Auflösung für sprachliche Feinstruktur
- Keine deutschsprachige Probandengruppe