利用生理信号通过机器学习预测考试成绩

一项新研究探讨了如何利用机器学习模型，通过在考试期间收集的生理数据来预测考试成绩。该论文由Lala Yamazaki和Ramchandra Rimal撰写，于2026年6月12日提交至arXiv预印本平台。研究人员分析了皮肤电活动、心率和皮肤温度等生理压力指标，旨在揭示这些身体信号与学业表现之间的潜在关联。研究采用了涵盖传统机器学习与深度学习的一系列方法，包括逻辑回归、随机森林、支持向量机，以及更先进的Transformer、长短期记忆网络（LSTM）和门控循环单元（GRU）模型。这种多样性策略的目的是有效捕捉生理数据中复杂的时间依赖性和交互关系。实验的一个关键焦点是评估Transformer模型在处理数值生理数据时的适应性，并将其性能与循环神经网络架构进行比较。研究人员使用准确率、精确率、召回率和F1分数等标准指标来评估各模型的预测效果。实验结果表明，虽然深度学习模型通常擅长发现生理数据中的复杂非线性模式，但像随机森林这样相对简单的集成方法有时能取得同等甚至更优的预测性能，同时提供更高的计算效率和模型可解释性。此外，Transformer模型展现出了令人瞩目的多功能性，其预测能力与LSTM和GRU模型不相上下。这项研究强调了根据具体问题目标尝试多种模型的重要性，需要在预测精度、计算效率和可解释性之间取得平衡。通过阐明生理信号与学业成绩之间的关联，该研究有助于加深对影响学生心理健康的压力因素的理解，并进一步推动利用生理数据来改善学生的福祉和学习成果。研究还附带了9张图表和5个表格，详细展示了模型比较结果。