في عالم الذكاء الاصطناعي وعلوم الأعصاب، تُشكل فك شفرة اللغة من الإشارات الكهربائية غير الغازية (EEG) تحديًا كبيرًا. تتمثل المشكلة الرئيسية في نسبة الإشارة إلى الضوضاء المنخفضة وحدود المعلومات المحدودة، مما يجعل السؤال المركزي: هل يمكن استعادة اللغة على مستوى الجمل بشكل موثوق من هذه الإشارات؟

أظهرت الأبحاث الجديدة أن الافتراض المباشر لاستعادة الجمل قد يكون قويًا للغاية تحت هذه الظروف. وهنا تأتي نظرية "الضغط الدلالي" (Semantic Compression)، التي اقترحتها مشروع جديد يسمى Brain-CLIPLM. تُشير هذه النظرية إلى أن الإشارات غير الغازية قد تحتفظ بمعاني أساسية قابلة للاستعادة، بدلاً من الشكل الكامل للكلمات والقواعد النحوية.

لمعالجة هذا التحدي، تقترح Brain-CLIPLM إطار عمل مكون من مرحلتين:

1. **استعادة المعاني الأساسية**: تستخدم المرحلة الأولى التعلم التبايني (Contrastive Learning) لمزامنة الأدلة النفسية على مستوى الكلمات مع مجموعة كلمات ثابتة، واستعادة المعاني الأساسية المرتبة.

2. **إعادة بناء الجمل**: تعتمد المرحلة الثانية على نموذج لغوي كبير مستند إلى الاسترجاع والذي يستخدم تلميحات تعتمد على التفكير المنطقي (Chain-of-Thought Reasoning) لإعادة بناء معنى الجملة من هذه المعاني الأساسية.

وفقًا لنتائج Benchmark ZuCo، حققت Brain-CLIPLM دقة تصل إلى 67.6% في استرجاع الجمل من Top-5 و85.0% من Top-25، مظهرة أداءً قويًا خصوصًا عند مستوى دقة المعاني الأساسية.

تشير هذه النتائج إلى أن فك شفرة EEG يمكن أن يُفهم بشكل أفضل على أنه محاولة لاستعادة محتوى دلالي مضغوط قبل إعادة بناء الجملة الموجهة بالمعاني. هل ستمثل هذه الطريقة الجديدة نقطة تحول في فهمنا للغة الدماغ؟