Lesjonmetode fra slagforskning tas inn i AI: skadede språkmodeller gir pasientlignende feil
Et afasiforskningsteam ved University of South Carolina har overført nevrologiens klassiske verktøy til AI-forskning: ved å påføre store språkmodeller kontrollerte «lesjoner» rapporterer de at modellene begår språkfeil som ligner på pasientenes. Studien er publisert i tidsskriftet Patterns i november 2026, og ifølge forskerne selv er det første gang lesjonsmetoden brukes slik på kunstig intelligens.
Nyheten
En forskergruppe som spesialiserer seg på tale- og språkvansker etter slag, rapporterer at rammeverket som lenge har brukt til å lokalisere språkfunksjoner i hjernen, også kan brukes til å studere store språkmodeller (LLMer). Metoden har fått navnet «lesjonbasert tolkbarhet» (lesion-based interpretability). Studien er publisert i Patterns (2026) med DOI 10.1016/j.patter.2026.101720, og funnene ble gjort kjent gjennom en pressemelding fra Cell Press som Techxplore gjenpubliserte 19. november 2026.
Det rapporterte kjernenivået er at de kunstige «skadene» førte til feil i språkprosesseringen som lignet på feilene laboratoriets egne afasipasienter gjør. Det er imidlertid viktig å understreke hva dette betyr og hva det ikke betyr: studien rapporterer et sammenfall i feilmønstre, ikke at modellene prosesserer språk slik hjernen gjør.
Hva lesjonskartlegging er – og hvorfor den er et kausalt verktøy
I klinisk nevrologi har lesjonsmetoden vært arbeidshesten i over et århundre. Logikken er enkel: når en pasient får en avgrenset hjerneskade, for eksempel etter et slag, og misten en spesifikk funksjon, kan forskere knytte den tapte funksjonen til det skadede hjernelokaliteten. Å sammenligne mange pasienters skader og funksjonstap gir et anatomisk kart over hvor i hjernen ulike evner – talespråk, ordfinning, setningsdannelse – ligger.
Metodens styrke er at den er kausal i utgangspunktet: skaden er selve årsaken til funksjonstapet. Det skiller seg fra de fleste sammenligninger mellom menneskelig og maskinell språkforståelse, som tradisjonelt har vært korrelasjonelle – man ser på likheter i atferd eller aktiveringsmønstre uten å gripe inn i systemet.
Det er nettopp dette forskergruppen nå hevder å ha overført til AI. I stedet for å vente på at en modell svikter, induserer de skaden selv, kontrollert og gjentakbart, og studerer hva som skjer.
Hvordan metoden brukes på språkmodeller
I den nye studien påføres språkmodellene altså kunstige «injuries», og de resulterende feilene i språkprosesseringen sammenlignes med feilene laboratoriets afasipasienter gjør. Teamet sier at slike modeller kan bidra til å tolke hva som skjer inne i LMernes «svarte boks», og til å studere modellenes effektivitet ved å identifisere deler som er redundante og unødvendige.
Pressemeldingen oppgir imidlertid ikke hvilke modeller som ble testet, hvor mange lesjoner som ble indusert, hvilke kliniske tester feilene ble sammenlignet med, eller hvor godt modellenes feil faktisk samsvarte med pasientenes. Det betyr at leseren foreløpig må ta metodebeskrivelsen og likhetsfunnet på forskernes ord – dokumentert via pressemeldingen, ikke via artikkelen selv.
Forskernes påstander – med tydelig kilde
Corresponding author Julius Fridriksson ved University of South Carolina rammegir hovedpoenget i pressemeldingen: «LLMer settes i anvendelser der feil har konsekvenser, men vi har svært liten mulighet til å si hvorfor et gitt system feiler slik det gjør», sier han. «Det viser seg at metoder brukt i klinisk nevrologi kan anvendes for å forstå kunstig intelligens. Dette er den første artikkelen som bruker disse metodene på denne måten.»
Han legger til: «Inntil nå har sammenligninger mellom menneskelig og kunstig språkintelligens nesten utelukkende vært korrelasjonelle», og: «Denne tilnærmingen etablerer for første gang årsak og virkning.»
Begge «første gang»-påstandene er forskerens egne, fremsatt i en pressemelding med en åpenbar interesse i positiv ramming, og de er ikke uavhengig verifisert. De bør derfor leses som teamets vurdering av egen metode, ikke som dokumenterte fakta.
Det innebygde forbeholdet: samme feil, ikke samme hjernen
Den viktigste nyanseringen finnes faktisk hos forskerne selv: tilnærmingen viser sammenfall i feilmønstre, ikke i underliggende strukturer. At en «skadd» språkmodell begår feil som minner om afasi, betyr ikke at modellen organiserer språk slik hjernen gjør, eller at modellens indre representasjoner svarer til hjernens. En moderne språkmodell er trent på tekststatistikk og har ingen hjerneanatomi å kartlegge; likheten gjelder hva systemene gjør når de svikter, ikke hvordan de er bygd.
Dette skiller seg fra den historiske lesjonslogikken, der skadens plassering i hjernen gir direkte anatomisk informasjon. I en språkmodell er «lesjonens» plassering informasjon om modellens interne struktur – hva den er for mangel på et bedre navn, ikke et kart over noe biologisk.
Fremtidige anvendelser – forskningsspesulasjon, ikke resultater
Pressemeldingen peker på to prospektive bruksområder, og begge bør leses som forskernes intensjoner, ikke som demonstrerte resultater:
- Mindre og mer energieffektive LMer. Hvis lesjonsmetoden kan identifisere redundante og unødvendige modelldeler, kan det ifølge forskerne bane vei for fremtidige LMer som er mindre og mer energieffektive. Dette er en hypotese om effektivitetsgevinster, ikke et resultat studien dokumenterer.
- «Digitale tvillinger» av afasipasienter. Forskerne antyder at modellene også kan brukes til å lage digitale tvillinger av pasienter med afasi, for å simulere kliniske studier og raskere oversette nye funn til praksis. Også dette er fremsatt som et potensial i pressemeldingen.
Ingen av disse anvendelsene er testet i studien slik de er beskrevet, og begge avhenger av at metoden holder i praksis – noe uavhengige replikasjoner må vise.
Åpne spørsmål og begrensninger i dokumentasjonen
Den offentlige dokumentasjonen av dette funnet stammer fra én enkelt kilde: pressemeldingen fra Cell Press, gjenpublisert av Techxplore. Den vitenskapelige artikkelen i Patterns ligger bak peer review og DOI, men detaljene i den er ikke gjort tilgjengelige i kildematerialet AIMag har tilgang til. Flere konkrete spørsmål står dermed åpent:
- Hvilke språkmodeller ble testet, og i hvilke størrelser?
- Hvor mange lesjoner ble indusert, og hvordan ble de valgt?
- Hvilke språktester ble brukt til å sammenligne modellene med pasientene?
- Hvor sterk er likheten mellom modellenes og pasientenes feil, målt?
I tillegg står prioriteringspåstandene åpne: at dette skal være «den første artikkelen» med slike metoder, og at tilnærmingen «for første gang etablerer årsak og virkning», er Fridrikssons vurderinger. Feltet for tolkbarhetsforskning er stort og raskt bevegelig, og det finnes nærliggende teknikker – blant annet ulike former for systematisk deaktivering av modellkomponenter – som må leses og sammenlignes med denne metoden før en prioriteringspåstand kan vurderes på egen hånd.
Det som likevel gjør studien verdt oppmerksomhet, er metodoverføringen i seg selv: et klinisk verktøy med hundre år på ryggen tas inn i AI-forskning, med en forskergruppe som vet nøyaktig hvilke feilmønstre ekte hjerneskade faktisk gir. Om det gir et brukbart kart over hvorfor språkmodeller svikter – eller bare en ny og elegant beskrivelse av at de gjør det – er det uavhengig forskning som må avklare.

