The Prompting Brain: Neurocognitive Markers of Expertise in Guiding Large Language Models

📄 arXiv: 2508.14869v1 📥 PDF

作者: Hend Al-Khalifa, Raneem Almansour, Layan Abdulrahman Alhuasini, Alanood Alsaleh, Mohamad-Hani Temsah, Mohamad-Hani_Temsah, Ashwag Rafea S Alruwaili

分类: q-bio.NC, cs.CL

发布日期: 2025-08-20

💡 一句话要点

通过神经认知标记探索提示工程专家的脑功能连接

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 提示工程 神经科学 功能连接 自然语言处理 人机交互 认知模型 大型语言模型 脑功能研究

📋 核心要点

  1. 现有研究对提示工程的认知和神经基础缺乏深入探讨，导致对其专业知识的理解不足。
  2. 本研究通过fMRI技术，比较专家与中级提示工程师的脑功能连接，揭示其神经特征。
  3. 研究发现，专家在特定脑区的功能连接增强，表明其在提示工程方面的认知优势。

📝 摘要（中文）

提示工程已迅速成为与大型语言模型（LLMs）有效互动的关键技能。然而，这种专业知识的认知和神经基础仍然未被充分探索。本文通过一项横断面fMRI研究，调查了专家与中级提示工程师在脑功能连接和网络活动方面的差异。结果显示，与更高的提示工程素养相关的独特神经特征，包括左侧中颞回和左侧额极的功能连接增强，以及关键认知网络中功率频率动态的改变。这些发现为提示工程能力的神经生物学基础提供了初步见解，并讨论了这些神经认知标记在自然语言处理（NLP）中的意义。

🔬 方法详解

问题定义：本研究旨在探讨提示工程专家与中级工程师在脑功能连接上的差异，现有方法未能揭示其认知和神经基础的细节。

核心思路：通过fMRI技术，分析不同水平提示工程师的脑活动模式，识别与提示工程能力相关的神经特征。

技术框架：研究采用横断面fMRI设计，参与者分为专家和中级组，进行脑功能连接和网络活动的比较分析。

关键创新：首次将神经科学方法应用于提示工程领域，揭示了与提示工程素养相关的独特神经标记，填补了该领域的研究空白。

关键设计：研究中使用了标准化的fMRI扫描协议，重点分析左侧中颞回和左侧额极的功能连接，以及关键认知网络的功率频率动态。通过对比分析，识别出显著的神经活动模式。

📊 实验亮点

实验结果显示，专家在左侧中颞回和左侧额极的功能连接显著增强，表明其在提示工程方面的认知优势。此外，关键认知网络的功率频率动态也发生了显著变化，进一步支持了研究假设。

🎯 应用场景

该研究的发现可应用于自然语言处理领域，帮助设计更直观的人机交互界面，提升AI系统与人类认知工作流的契合度，促进人机协作的效率与效果。

📄 摘要（原文）

Prompt engineering has rapidly emerged as a critical skill for effective interaction with large language models (LLMs). However, the cognitive and neural underpinnings of this expertise remain largely unexplored. This paper presents findings from a cross-sectional pilot fMRI study investigating differences in brain functional connectivity and network activity between experts and intermediate prompt engineers. Our results reveal distinct neural signatures associated with higher prompt engineering literacy, including increased functional connectivity in brain regions such as the left middle temporal gyrus and the left frontal pole, as well as altered power-frequency dynamics in key cognitive networks. These findings offer initial insights into the neurobiological basis of prompt engineering proficiency. We discuss the implications of these neurocognitive markers in Natural Language Processing (NLP). Understanding the neural basis of human expertise in interacting with LLMs can inform the design of more intuitive human-AI interfaces, contribute to cognitive models of LLM interaction, and potentially guide the development of AI systems that better align with human cognitive workflows. This interdisciplinary approach aims to bridge the gap between human cognition and machine intelligence, fostering a deeper understanding of how humans learn and adapt to complex AI systems.