摘要
在认知研究中，脑电图（EEG）分析需要专业知识，并且涉及对比、通道、时间窗口和统计测试的多种可辩护选择。LLM（大型语言模型）代理能够将多样的自然语言问题转化为分析选择，提供灵活的自动化接口。然而，仅靠流畅的报告无法证明代理选择了所请求的分析或独立评估了确认性声明，而不依赖于自适应搜索。
我们提出了CogEEGAgent，这是一种基于MNE-Python的认知EEG分析代理。其EEG特定的科学框架将语义与科学权威分离。LLM解析意图并提出注册分析，而确定性组件验证输入合同，控制确认访问，并授权基于证据的发布。在一个预先指定的路由基准上，CogEEGAgent比匹配的确定性路由器更准确地将语言映射到注册分析，而匹配的预飞行使两个系统在需要时都能保持中立。
在一个外部模型作者撰写、结果盲目的实验中，完整系统发布支持的分析，并且参与者不重叠确认，阻止预先指定的能力危害和生命周期重用请求。政策压力测试表明，持有的确认抑制了未校正自适应搜索造成的假阳性。这些研究共同建立了认知EEG工作流的有界自主性和可审计的自动化框架。更广泛地说，它们展示了科学代理如何结合灵活的语言理解与对推理和发布的失效关闭控制。
博主点评： CogEEGAgent的创新在于将大型语言模型应用于脑电图分析，且通过验证机制增强了分析的可靠性。这一方法为未来的认知研究提供了一种新的自动化工具，能够有效减少人为错误并提升数据分析的效率。其在科学代理中的应用潜力值得进一步探索。