Davanti alle stesse immagini e frasi, un modello di intelligenza artificiale può commettere errori simili a quelli osservati nell’afasia dopo un ictus. Come è stato costruito il confronto e che cosa ci permette di concludere?

Davanti al disegno di un cane, una persona risponde «gatto». Un’altra dice «pane». In una prova che assegna un punto per ogni figura denominata correttamente, entrambe le risposte valgono zero. Eppure raccontano due cose diverse. «Gatto» è vicino alla parola cercata per significato. «Pane» le somiglia per il suono. Se raccogliamo le risposte a molte figure, possiamo cominciare a capire quale difficoltà si presenta più spesso.

Julius Fridriksson e colleghi hanno portato questa osservazione clinica nello studio dell’intelligenza artificiale. Nel lavoro pubblicato su Patterns il 19 novembre 2026 si chiedono che cosa accada quando si modifica deliberatamente una parte di un modello linguistico. Il modo in cui il modello comincia a sbagliare somiglia a quello osservato nelle persone con afasia dopo un ictus? Per rispondere, hanno messo a confronto risposte ai test, immagini cerebrali e simulazioni al computer.

Come è stato costruito il confronto

Il punto di partenza sono le persone. L’afasia è un disturbo acquisito del linguaggio che può rendere difficile trovare le parole, comprendere un messaggio, leggere o scrivere. Il gruppo di ricerca aveva a disposizione un archivio di 410 persone con afasia cronica dopo un ictus dell’emisfero sinistro. Nel manoscritto degli autori, i partecipanti con dati utilizzabili erano 214 per la denominazione di figure e 184 per le prove verbali della Western Aphasia Battery–Revised, che comprendevano il completamento di frasi. Tutte le prove erano in inglese. Gli esempi italiani in questo articolo servono a illustrarne la logica.

Dalle risposte alle risonanze. Per ciascuna persona, i ricercatori hanno calcolato con quale frequenza comparissero risposte corrette, scambi di significato, errori di suono, mancate risposte e altri tipi di errore. Hanno quindi addestrato un programma a stimare, a partire da questo insieme di frequenze, quali regioni cerebrali tendessero a essere interessate dalla lesione. Il riferimento erano le lesioni effettivamente osservate alla risonanza magnetica dei partecipanti.

Lo stesso compito passa al computer. I ricercatori hanno scelto LLaVA, un modello capace di elaborare sia immagini sia testo. Lo hanno messo alla prova con gli stessi stimoli, modificando di volta in volta alcuni dei valori numerici che regolano il suo funzionamento. Variavano la parte del modello su cui intervenivano e l’intensità della modifica. Ogni volta classificavano le risposte con gli stessi criteri usati per le persone.

Qui sta il passaggio decisivo. Immaginiamo che, dopo una modifica, il modello scambi spesso parole di significato vicino. Il programma ricava da tutte le sue risposte una mappa delle lesioni che ci si aspetterebbe in un gruppo umano con quel profilo. Gli autori confrontano la mappa con le risonanze dei cinque partecipanti che hanno commesso la combinazione di errori più simile. Poi ripetono il confronto scegliendo cinque persone a caso. Abbinare le persone in base agli errori migliora davvero la somiglianza fra le mappe?

Che cosa è emerso

In circa due terzi delle condizioni sperimentali, la risposta è stata sì. Nelle analisi riportate nel preprint, l’abbinamento basato sugli errori superava il confronto casuale nel 67% circa delle configurazioni per la denominazione e nel 68% circa per il completamento di frasi. Il denominatore è il numero di configurazioni provate sul computer. Per la denominazione, il vantaggio medio rispetto all’abbinamento casuale era modesto. Sarebbe quindi improprio leggere quel 67% come la probabilità di individuare la lesione di un singolo paziente.

Contava anche come il modello sbagliava. Quando prevalevano gli scambi di significato, le mappe stimate richiamavano maggiormente lesioni della cosiddetta via ventrale, una rete cerebrale coinvolta nell’accesso al significato delle parole. Quando prevalevano gli errori sui suoni, emergeva maggiormente la via dorsale, che contribuisce a collegare le rappresentazioni sonore ai movimenti necessari per parlare. Sono reti che collaborano anche durante un compito apparentemente semplice come dare un nome a una figura.

Dove finisce la somiglianza

Una persona può riconoscere il cane, sapere che abbaia e riuscire a mimarne il verso, pur senza recuperarne il nome. Il test registra la parola prodotta o l’assenza di risposta. Anche un modello può lasciare la risposta vuota, per esempio perché la modifica gli impedisce di iniziare a generare testo. La casella in cui finisce la risposta è la stessa. Per capire quale processo si sia interrotto servono altre osservazioni.

Il risultato riguarda dunque una somiglianza tra distribuzioni di errori. Stabilire se il cervello e il modello arrivino a produrle attraverso meccanismi analoghi richiede esperimenti diversi. Contano anche i confini del confronto: un solo modello, dati clinici provenienti da un unico centro, prove in inglese e due compiti circoscritti. Raccontare un episodio a un familiare, capire una battuta o riparare un malinteso in conversazione coinvolge capacità che queste prove lasciano fuori.

Quali prospettive apre per la ricerca e per la logopedia?

L’applicazione più vicina riguarda lo studio dell’IA. Due versioni di un modello possono ottenere lo stesso punteggio e avere fragilità diverse. Se una confonde sistematicamente oggetti della stessa categoria, mentre l’altra tende a non produrre alcuna risposta, chi le studia ha un indizio concreto per progettare l’esperimento successivo. La neuropsicologia offre un vocabolario e un metodo per descrivere queste differenze.

Più lontana è la prospettiva dei gemelli digitali proposta dagli autori: simulazioni che riproducano alcuni aspetti del profilo linguistico di una persona. Perché siano utili alla riabilitazione, occorrerebbe verificare se sappiano prevedere qualcosa di nuovo. Per esempio, dato un certo profilo, un indizio sul suono iniziale della parola aiuterà più di un indizio sul significato? E la persona beneficerà davvero dell’aiuto previsto? Lo studio si ferma prima di questa verifica. Per chi lavora con l’afasia, il contributo più concreto resta il punto di partenza: conservare la risposta effettivamente data, accanto al punteggio, permette di formulare domande cliniche che il solo totale lascia invisibili.

Fonti e approfondimenti

  • Fridriksson J. e colleghi (2026). Human lesion maps from aphasia provide an anatomical framework for language model interpretability. Articolo pubblicato su Patterns.
  • Fridriksson J. e colleghi (2026). Stroke Lesions as a Rosetta Stone for Language Model Interpretability. Versione preliminare dello studio, con il dettaglio dei campioni, delle prove e dei confronti quantitativi. Manoscritto degli autori su arXiv.
  • Fridriksson J. e colleghi (2018). Anatomy of aphasia revisited. Per approfondire il contributo delle vie dorsale e ventrale ai compiti linguistici. Articolo su Brain.

Ti è piaciuto questo articolo? Condividilo!