2026年6月12日提交给arXiv的一篇论文《利用生理信号与机器学习预测考试成绩》探讨了如何通过考试期间采集的生理数据来预测学生的学业表现。作者Lala Yamazaki和Ramchandra Rimal来自相关研究机构，他们关注的是生理压力指标——包括皮肤电活动、心率和皮肤温度——与考试成绩之间的关联。
传统上，考试成绩受多种因素影响，而生理信号可能提供一种客观的、实时的压力测量方式。该研究在考试过程中收集了上述生理数据，并尝试用机器学习模型来预测最终成绩。研究团队采用了多样化的建模策略，涵盖了从经典模型到前沿架构的广泛选择。
具体来说，他们测试了逻辑回归、随机森林和支持向量机等标准机器学习方法，同时也引入了深度学习架构，如Transformer、长短期记忆网络（LSTM）和门控循环单元（GRU）。这种多样性的目的是为了有效捕捉生理数据中复杂的交互关系。特别地，研究者重点评估了Transformer在处理数值数据方面的适应性，因为Transformer通常用于自然语言处理，在表格或时间序列数据上的应用相对新颖。
为了比较不同模型的效果，研究使用了准确率、精确率、召回率和F1分数等标准性能指标。实验结果表明，尽管深度学习模型通常擅长捕捉生理数据中的复杂关系，但简单模型如随机森林有时能取得更优的性能，同时具备计算效率和可解释性优势。此外，Transformer展现出显著的通用性，其表现与LSTM和GRU模型相当。
这一发现强调了在机器学习实践中，不应盲目追求复杂模型，而应根据具体问题的目标来选择合适的模型类别，在精度、效率和可解释性之间取得平衡。通过揭示生理信号与学业成绩之间的关系，该研究有助于理解影响学生心理健康的压力因素。论文作者指出，这项工作进一步推动了利用生理数据来提升学生福祉和学业成果的可能性。
该论文包含9张图和5张表，属于机器学习（cs.LG）和计算机与社会（cs.CY）交叉领域。研究的意义不仅在于预测成绩，更在于为教育场景中的压力监测和干预提供科学依据。未来，这种基于生理信号的方法或可集成到学习管理系统中，帮助教师及时发现高风险学生并给予支持。