في عالم الذكاء الاصطناعي، يظهر تساؤل مهم: إذا كان بإمكان الشخص حل مهمة معينة، فهل يمكن لبيانات نشاط دماغه أن تسهل تدريب نموذج للتعلم الآلي لحل نفس المهمة؟ أظهرت الأبحاث الأخيرة في مجال NeuroAI أن دمج تسجيلة نشاط المخ خلال التدريب على المهام يمكن أن يحسن أداء النموذج وصلابته بقدر معتدل، ولكن يبقى السؤال مفتوحًا حول متى تكمن فائدة استخدام البيانات العصبية وكمية الفائدة الممكنة.

في هذا السياق، قمنا بصياغة السؤال رياضيًا وبدأنا في معالجته نظريًا باستخدام نموذج غاوسي خطي بسيط لتحليل أهداف المهمة وسجلات البيانات العصبية. من خلال مستخرج متعدد الأنماط المدرب على بيانات الدماغ وعنونات المهام، قمنا باشتقاق قوانين لقياس التغير في الأداء وفقًا لعدد سجلات البيانات العصبية وبيانات المهام.

وبهذه القوانين، قمنا بتحديد القيم النسبية ومعدلات التبادل بين عينات الدماغ وعينات المهام، مما يتيح لنا تقدير القيمة الإضافية لبيانات الدماغ بوصفها دالة على توافق المهمة والدماغ، الضجيج العصبي وضجيج المهام، الأبعاد الكامنة وحجم عينة بيانات الدماغ.

علاوة على ذلك، قمنا بتحليل تأثير تغير توزيع الاختبارات لتحديد الظروف التي يمكن أن توفر تعلّمًا بدون متطلبات صارمة بفضل التعلم المنظم بالبيانات العصبية.

في النهاية، تحت ميزانية محدودة لجمع البيانات، قدمنا تعريفًا للأطر التي تجعل من بيانات الدماغ جديرة بالجمع. تقدم نتائجنا أساسًا لفهم كيف يمكن أن تكون بيانات الدماغ ذات قيمة كبيرة في تحسين التعلم الآلي.