Cada vez que escuchamos una historia, nuestro cerebro se enfrenta a un torrente continuo de ondas sonoras que debe fragmentar, decodificar y dotar de significado en fracciones de segundo. Dentro de este caos acústico, existe una operación computacional sutil pero fundamental: la extracción del tiempo. Cuando escuchamos el verbo en inglés "walked" en lugar de "walk", una simple inflexión morfológica en la estructura de la palabra nos transporta instantáneamente al pasado.

A nivel lingüístico, el inglés carece de un tiempo futuro puramente morfológico (se construye sintácticamente con auxiliares como "will"), por lo que la dicotomía temporal a nivel de palabra se reduce a dos ejes de flexión: Pasado vs. No-Pasado. La pregunta que ha intrigado a la neurobiología del lenguaje durante décadas es: ¿Existen poblaciones neuronales específicas dedicadas a computar esta etiqueta gramatical, o el tiempo se procesa como un subproducto del significado general de la oración? Para responder a esto, tuvimos que abandonar los métodos tradicionales y adentrarnos en el modelado computacional de alta dimensión.

El fin del paradigma reduccionista: Voxelwise Encoding

Clásicamente, la neurociencia estudiaba el lenguaje aislando a los sujetos en un escáner de resonancia magnética funcional (fMRI) y pidiéndoles que leyeran oraciones desconectadas o listas de verbos. Aunque útil, este diseño carece de validez ecológica. El cerebro evolucionó para procesar narrativas dinámicas y ricas en contexto, no palabras aisladas en una pantalla.

Para capturar esta complejidad, adoptamos un marco analítico del estado del arte: los Modelos de Codificación Voxelwise (Voxelwise Encoding Models). Utilizando el conjunto de datos abiertos ds003020, analizamos la actividad cerebral de sujetos expuestos a horas de historias naturalistas continuas (podcasts). En este paradigma predictivo, no buscamos "dónde se ilumina el cerebro", sino que construimos un algoritmo matemático para cada uno de los aproximadamente 100,000 vóxeles (píxeles tridimensionales) de la corteza, intentando predecir su actividad fluctuante basándonos puramente en las características del lenguaje escuchado.

El problema de la Colinealidad y la extracción de características

El gran obstáculo del habla naturalista es que todo ocurre al mismo tiempo. Si un vóxel reacciona al escuchar "caminé", ¿cómo sabemos si responde a la fricción acústica de la palabra, al concepto semántico de moverse, o a la morfología gramatical del pasado? Para desentrañar esta colinealidad matemática, diseñamos un flujo de trabajo que descompuso el audio en cuatro espacios de características independientes:

• Espacio Acústico: Extraído como la tasa de fonemas por segundo. Sirve como control para que el modelo no confunda un sufijo gramatical (como la terminación /t/ o /d/ en inglés) con simple actividad de la corteza auditiva primaria.
• Espacio Léxico: Definido por la tasa de palabras, actuando como un control de densidad y carga cognitiva.
• Espacio Semántico: Se implementó un modelo de incrustaciones distribucionales masivo (English1000sm) y se comprimió en 50 dimensiones continuas mediante Análisis de Componentes Principales (PCA). Esto asegura que se filtre el "significado" puro de la historia.
• Espacio Morfológico: Utilizando modelos de Procesamiento de Lenguaje Natural (Transformers), etiquetamos de forma automatizada y precisa la carga de verbos en Pasado y No-Pasado, nuestra variable de interés.

Hemodinámica y el paradigma de la Partición de Varianza

Alinear la rapidez del habla con la lentitud del flujo sanguíneo cerebral requiere ingeniería matemática. Por ello, aplicamos un Modelo de Respuesta de Impulso Finito (FIR), introduciendo retardos escalonados en nuestras variables lingüísticas para sincronizarlas con el rezago natural de la señal BOLD del fMRI.

Con los tiempos sincronizados, el verdadero poder analítico recae en la técnica de Partición de Varianza. Su premisa es elegante: para demostrar que el cerebro procesa la morfología, entrenamos un Modelo de Control Base (utilizando solo la acústica, el léxico y la semántica). Luego, entrenamos un Modelo Completo que añade la información morfológica. Al restar la precisión predictiva del modelo base al modelo completo en datos no vistos por el algoritmo, obtenemos la Varianza Única: la proporción exacta de actividad cerebral que solo puede explicarse por el procesamiento del tiempo gramatical.

Auditoría Neurolingüística y Resultados

Para evitar falsos positivos derivados del ruido del escáner, el modelado masivo de regresión Ridge se ejecutó sobre clústeres en la nube (GCP). Sometimos los resultados a 3,000 permutaciones empíricas circulares (destruyendo aleatoriamente la alineación temporal para crear una distribución nula) y aplicamos filtros de corrección FDR. Incluso implementamos estrictas auditorías de control de calidad, lo que llevó a la exclusión metódica de un participante (UTS04) por anomalías matriciales de colinealidad intrínsecas a sus datos fMRI.

Los resultados cuantitativos en los 8 sujetos retenidos revelaron una arquitectura cortical sorprendentemente robusta para la sintonía morfológica:

En el ruidoso universo de la neuroimagen funcional evaluada bajo paradigmas naturalistas, aislar picos de varianza única de hasta un 3.73 % atribuidos puramente a una flexión gramatical representa una señal biológica profunda.

A nivel topográfico, este enfoque computacional desafía el dogma neurolingüístico clásico. La máxima sintonía hacia el tiempo morfológico no se encapsuló exclusivamente en el Giro Frontal Inferior (el tradicional "Área de Broca"). En su lugar, proyectamos una arquitectura de procesamiento distribuida, con fuertes anclajes en el Giro Temporal Superior posterior y la Unión Temporoparietal (pSTS/TPJ). Estos hallazgos sugieren que el cerebro humano no guarda la gramática en un compartimento aislado, sino que utiliza extensas redes de integración asociativa para abstraer, en tiempo real, el cuándo de una acción por encima de la densa marea acústica y semántica del lenguaje natural.