# Jev 式提问用在脑电上：证据

决策研究 · 三条路线

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 ↗](https://typesafe.ai/blog/introducing-system-one-models-and-jev)：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 ↗](https://arxiv.org/abs/2609.25845)*。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。

- 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” →](https://bci.report/zh/topics/when-not-to-act/#reliable-decisions)
- 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 →](https://bci.report/zh/topics/shared-encoder/)
- 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 →](https://bci.report/zh/topics/questions-in-language/)

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 →](https://bci.report/zh/topics/when-not-to-act/#decision-research)

[第一条路线 BETA 部分结果的长文解读（英文，Hugging Face）↗](https://huggingface.co/blog/Twu31/when-should-an-eeg-decoder-abstain)

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。

---
本文是 https://bci.report/zh/jev-style/ 的 Markdown 版本，由已发布的网页生成。数字均为聚合结果；使用条款见 https://bci.report/data-use/（英文）。