利用生理訊號與機器學習預測考試成績
arXiv - Computers and SocietyLala Yamazaki, Ramchandra Rimal
本研究驗證生理指標可透過機器學習模型預測考試成績，並比較傳統與深度學習方法的效能與可解釋性。
AI 幫你先抓重點
AI 重點 1
Transformer 在數值型生理資料上的高效能與可擴展性，為教育評量提供新型模型選擇。
滑鼠懸停看 AI 判斷理由
傳統機器學習常需手動特徵工程，Transformer 能自動學習序列特徵，降低人力成本並提升預測準確度，對於大規模學生資料分析具有實務價值。
AI 重點 2
隨機森林在簡單模型中能達到與深度學習相近的表現，且易於解釋，適合資源有限的教育機構。
滑鼠懸停看 AI 判斷理由
教育實務往往需要可解釋的決策依據，隨機森林提供特徵重要性分析，幫助教師了解哪些生理指標最具預測力，進而調整教學策略。
核心研究發現
- 1
深度學習模型（Transformer、LSTM、GRU）在捕捉生理數據複雜關係上表現優於傳統模型，但隨機森林在某些情況下達到更高準確率且計算成本低。
- 2
Transformer 在處理數值型生理資料時展現出與 LSTM、GRU 相近的表現，證明其在此領域具備高度適應性。
- 3
生理壓力指標（皮膚電活動、心率、皮膚溫度）與考試成績呈顯著相關，提示壓力水平可作為學業表現的預測因子。
對教育工作者的啟發
教育機構可利用可穿戴裝置收集學生在考試時的心率、皮膚電活動與溫度，將數據輸入隨機森林或Transformer模型即時預測考試成績或壓力水平。若模型顯示高壓力或低預測分數，教師可即時介入，提供情緒支援或調整考試難度。隨機森林的特徵重要性可協助設計更具針對性的壓力管理課程；Transformer 的自動特徵學習則適合大規模學生群體，減少人工標註成本。
原始文獻資訊
- 英文標題：
- Leveraging Physiological Signals to Predict Exam Outcomes with Machine Learning
- 作者：
- Lala Yamazaki, Ramchandra Rimal
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。