BCI Report
English中文

决策研究 · 三条路线

Jev 式提问用在脑电上：证据

三条路线，每一条都由 BCI Report 在公开 EEG 数据上自己的运行来回答。

这个名字指什么

Jev 是 TypeSafe AI 推出的决策模型 ↗：软件把应用状态和规定输出类型的问题发给它；它不生成文字，而是返回规定类型的决定（从固定选项中选出的一项、一个分数或一个是/否判断），每个决定都带有概率或置信度。“Jev-style”（Jev 式）在这里指把 TypeSafe 的 Jev 这类决策模型的接口用在 EEG 上：一段记录只编码一次，再回答关于它的多个明确的、规定输出类型的问题，每个回答都带一个概率。

本站的决策研究计划从一篇视觉论文出发：Yu & Yao, 2026 · Visual Jev: Accurate and Efficient Decisions from Shared Visual Context ↗。它把同样“编码一次、回答多个问题”的思路用在图像上：一张图像及其上下文只编码一次，就能回答多个相互独立的强制选择问题。下面三条路线用本站自己在公开数据集上的运行来检验：这个思路在 EEG 上是否站得住。

三条路线

每条路线发现了什么

每个回答都只用文字；数字、区间与局限都在各条路线自己的页面上。

  1. 第一条路线

    可靠的决策

    解码器什么时候应该拒绝作出决定？ 对本站已发布模型保存下来的输出重新评分：比较方法要在相同的覆盖率下比，而不是用同一个阈值。在相同的覆盖率下，没有哪种方法的可学习拒识选项比校准后的置信度错得更少；经认证的风险在两个协议之一上没有接受任何试次。

    结果，见“何时不该执行” →

  2. 第二条路线

    一份表征，多个问题

    一个 EEG 模型回答多个问题，能和分开的模型一样好吗？ 一个共享编码器加固定输出，比“知道自己在回答哪个问题”的分类头更省，但没能证明做得一样好；用标识告诉分类头是哪个问题，本身没有可测的帮助。

    一个模型，多个问题 →

  3. 第三条路线

    用语言提问

    EEG 模型能回答用文字提出的问题吗？ 只对训练过的问题成立，而且不是在每个数据集上都成立：用训练时的问法提问时，小分类头在已见过的睡眠问题上与题号相当，在 SSVEP 上则损失了准确率；把已见过的问题改写后再问，大多有代价；对从未训练过的问题，它没有答好。在一个边界探针中，否定的问法被当成在问被否定的那一项本身。

    用语言提问 →

这个计划、它的文献，以及每条路线原本要检验什么：“何时不该执行”页上的研究计划 →

第一条路线 BETA 部分结果的长文解读（英文，Hugging Face）↗

BCI Report 是独立项目；无论是 TypeSafe 的 Jev，还是 Visual Jev 模型，本站都没有使用或评估。