في عالم تكنولوجيا الأعصاب، تلعب نماذج التأسيس (Foundation Models) دورًا حيويًا في فهم تمثيلات الدماغ والتطبيقات السريرية. لكن، هل يمكن لهذه النماذج أن تتحمل اختبار الظروف المحدودة التي يُواجهها القطاع الطبي؟

دراسة جديدة نشرت في arXiv تقدم إجابة على هذا التساؤل، حيث تقترح إطارًا تقييمياً متعدد الأبعاد (Multi-dimensional Evaluation Framework) يُتيح تقييم أداء نماذج EEG تحت ظروف واقعية معتمدة على محدودية الموارد. ورغم أن هذه النماذج قد أثبتت فاعليتها في نقل التعلم بين المهام المختلفة، إلا أن تقييمها التقليدي كان يتضمن عادة تدريبًا كاملاً على مجموعات بيانات مُعدّة بعناية، دون النظر في القيود البيولوجية مثل نقص البيانات المُعلمة أو التغطية المحدودة لأجهزة الاستشعار.

تُظهر الدراسة تحليلًا تجريبيًا لنماذج EEG، بما في ذلك LaBraM وCSBrain وCBraMod، عبر ست مجموعات بيانات مختلفة. وفي النتائج، وُجد أن نماذج EEG الأساسية تقدم زيادة في الأداء خلال المهام الطويلة مثل توقع مراحل النوم وتصنيف الحالات النفسية. لكن، في المقابل، تعاني هذه النماذج من ضعف الأداء في المهام القصيرة الخاصة بواجهات الدماغ والحاسوب، كما أن نماذج التعليم المُراقب أثبتت أنها تحقق نتائج مُشابهة رغم وجود عدد أقل بكثير من المعاملات.

تدعو هذه النتائج إلى اعتماد بروتوكولات تقييم متعددة الأبعاد، تساعد على تحليل سلوك النماذج في ظروف الاستخدام الواقعية، مما يفتح آفاق جديدة لفهم كيفية تحسين الأداء والتطبيق في مجالات علوم الأعصاب والعلاج السريري.