利用生理信號通過機器學習預測考試成績
本研究利用考試期間收集的生理數據，應用機器學習模型預測考試成績，分析了皮膚電活動、心率和皮膚温度等壓力指標。實驗比較了多種模型，發現深度學習擅長捕捉複雜關係，但隨機森林等簡單模型在效率和可解釋性上更優。
一項新研究探討了如何利用機器學習模型，通過在考試期間收集的生理數據來預測考試成績。該論文由Lala Yamazaki和Ramchandra Rimal撰寫，於2026年6月12日提交至arXiv預印本平台。研究人員分析了皮膚電活動、心率和皮膚温度等生理壓力指標，旨在揭示這些身體信號與學業表現之間的潛在關聯。研究採用了涵蓋傳統機器學習與深度學習的一系列方法，包括邏輯迴歸、隨機森林、支持向量機，以及更先進的Transformer、長短期記憶網絡（LSTM）和門控循環單元（GRU）模型。這種多樣性策略的目的是有效捕捉生理數據中複雜的時間依賴性和交互關係。實驗的一個關鍵焦點是評估Transformer模型在處理數值生理數據時的適應性，並將其性能與循環神經網絡架構進行比較。研究人員使用準確率、精確率、召回率和F1分數等標準指標來評估各模型的預測效果。實驗結果表明，雖然深度學習模型通常擅長髮現生理數據中的複雜非線性模式，但像隨機森林這樣相對簡單的集成方法有時能取得同等甚至更優的預測性能，同時提供更高的計算效率和模型可解釋性。此外，Transformer模型展現出了令人矚目的多功能性，其預測能力與LSTM和GRU模型不相上下。這項研究強調了根據具體問題目標嘗試多種模型的重要性，需要在預測精度、計算效率和可解釋性之間取得平衡。通過闡明生理信號與學業成績之間的關聯，該研究有助於加深對影響學生心理健康的壓力因素的理解，並進一步推動利用生理數據來改善學生的福祉和學習成果。研究還附帶了9張圖表和5個表格，詳細展示了模型比較結果。