언어 모델 표현(Language-model representations)은 자연스러운 언어 자극에 대한 구조화된 고차원 주석을 제공하며, 이해 과정 동안 유익한 신경 예측 변수(neural predictors) 역할을 할 수 있습니다. 우리는 8개의 동결된 언어 모델(frozen language models), 블록형 인코딩 모델(blocked encoding models), 그리고 일치된 시간적, 방해(nuisance), 표현 용량(representation-capacity) 대조군을 사용하여 Brain Treebank, MEG-MASC, 그리고 Podcast ECoG에서 추출된 데이터를 분석했습니다. 소스 수준의 요약에서 긍정적인 홀드아웃 예측(held-out prediction)과 저수준 베이스라인(low-level baselines) 대비 이득이 광범위하게 나타났습니다. Brain Treebank와 Podcast ECoG 전반에 걸쳐, 평가 가능한 432개 행 중 67개 행이 통제된 예측 전용 기준을 충족했으며, 모델 측면의 특징 소거(feature ablations)는 대부분의 평가 가능한 소스 행에서 예측 점수를 변화시켰습니다. 뇌 유래, 타이밍 연결, 음향 및 이식 신호 대조군은 분석 파이프라인의 구성 요소 수준 민감도를 확인해 주었습니다. 이러한 발견은 언어 모델 유래 수치들이 자연스러운 음성 및 텍스트 이해 중의 신경 활동을 주석화할 수 있음을 보여줍니다. 참가자 수준의 일치된 대조군 이점은 균일하기보다는 국소적이었으며, 반응 프로필(response-profile) 및 특징 특이성(feature-specificity) 대조는 표현적 또는 계산적 해석을 제한하였고, 완전한 공인덱스 통합 해석(complete co-indexed integrated interpretation)을 위해서는 향후 공동 인덱스 범위가 필요할 것입니다. 종합적으로, 이 분석들은 언어 모델 특징을 유용한 신경 예측 변수로 식별하며, 예측적 유용성을 공유된 신경 조직 또는 언어 처리 계산에 대한 주장으로부터 분리합니다.