機械学習を用いた生理信号による試験結果予測

本研究は、試験中に収集された生理データを用いて機械学習モデルで試験の成績を予測する手法を検討しています。論文はLala Yamazaki氏とRamchandra Rimal氏により執筆され、2026年6月12日にarXivに提出されました。研究者らは、皮膚電気活動、心拍数、皮膚温度といった生理的ストレス指標を分析し、これらと学業成績との関連性を明らかにしようとしました。データ内の複雑な相互作用を効果的に捉えるため、ロジスティック回帰、ランダムフォレスト、サポートベクターマシンなどの標準的なモデルから、トランスフォーマー、長短期記憶（LSTM）、ゲート付き回帰ユニット（GRU）といったより高度なアーキテクチャまで、多様な機械学習手法を採用しました。実験の主な焦点は、数値データ処理におけるトランスフォーマーの適応性を評価し、この新しい文脈での性能を比較することでした。精度、適合率、再現率、F1スコアといった標準的な性能指標を用いてモデルの有効性を比較しました。実験結果は、深層学習モデルが一般に生理データの複雑な関係を捉えるのに優れている一方、ランダムフォレストのような単純なモデルが計算効率と解釈可能性を提供しつつ、優れた性能を発揮する場合があることを示しています。さらに、トランスフォーマーは顕著な汎用性を示し、LSTMやGRUモデルに匹敵する性能を発揮しました。この研究は、問題の目的に沿った幅広いモデルを実験することの重要性を強調し、精度、効率、解釈可能性のバランスを取ることを促しています。生理信号と学業成績の関係を解明することにより、この研究は学生の精神的健康に影響を与えるストレス要因の理解に貢献し、生理データを活用して学生の幸福と学業成績を向上させることを促進します。論文には9つの図と5つの表が含まれています。