論文の概要: Leveraging Physiological Signals to Predict Exam Outcomes with Machine Learning

• arxiv url: http://arxiv.org/abs/2606.14960v1
• Date: Fri, 12 Jun 2026 21:07:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.478382
• Title: Leveraging Physiological Signals to Predict Exam Outcomes with Machine Learning
• Title（参考訳）: 機械学習による出力予測のための生理信号の活用
• Authors: Lala Yamazaki, Ramchandra Rimal,
• Abstract要約: 本研究では, 試験期間中に収集した生理的データを用いて, 試験結果の予測に機械学習モデルを適用した。 心電図,心拍数,皮膚温度などの生理的ストレス指標を解析し,研究成果との関連を明らかにした。
• 参考スコア（独自算出の注目度）: 3.0714301039424776
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study investigates the application of machine learning models to predict exam outcomes using physiological data collected during examination sessions. Physiological stress indicators, including electrodermal activity, heart rate, and skin temperature, were analyzed to uncover their association with academic performance. A variety of machine learning approaches were employed, ranging from standard models like logistic regression, random forest, and support vector machines to more advanced architectures, including transformers, long short-term memory (LSTM), and gated recurrent unit (GRU) models. This diversity aimed to capture the complex interactions within the data effectively. A key focus was assessing the adaptability of transformers in processing numerical data and evaluating their performance in this novel context. Standard performance metrics, such as accuracy, precision, recall, and F1-score, were used to compare model efficacy. The experimental results demonstrate that while deep learning models generally excel at capturing complex relationships in physiological data, simpler models like random forests can sometimes achieve superior performance while offering computational efficiency and interpretability. Furthermore, transformers demonstrated notable versatility, showcasing performances comparable to those of the LSTM and GRU models. This research underscores the importance of experimenting with a broad class of models that align with the objectives of the problem at hand, balancing precision, efficiency, and interpretability. By elucidating the relationships between physiological signals and academic performance, this study contributes to understanding stressors affecting students' mental health. It further promotes leveraging physiological data to enhance student well-being and academic outcomes.
• Abstract（参考訳）: 本研究では, 試験期間中に収集した生理的データを用いて, 試験結果の予測に機械学習モデルを適用した。 心電図,心拍数,皮膚温度などの生理的ストレス指標を解析し,研究成果との関連を明らかにした。 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といった標準的なモデルから、トランスフォーマー、長期記憶(LSTM)、ゲートリカレントユニット(GRU)モデルなど、より高度なアーキテクチャまで、さまざまな機械学習アプローチが採用された。 この多様性は、データ内の複雑な相互作用を効果的に捉えることを目的としていた。 重要な焦点は、数値データ処理における変換器の適応性の評価と、この新しい文脈におけるそれらの性能の評価である。 モデルの有効性を比較するために、精度、精度、リコール、F1スコアなどの標準的なパフォーマンス指標が用いられた。 実験結果から, 深層学習モデルは生理的データの複雑な関係を捉えるのが得意であるが, ランダム森林のような単純なモデルでは, 計算効率と解釈可能性を提供しながら, 優れた性能が得られることが示唆された。 さらにトランスフォーマーは優れた汎用性を示し、LSTMやGRUモデルと同等の性能を示した。 この研究は、目の前の問題の目的と整合し、精度、効率、解釈可能性のバランスをとる幅広いモデルの実験の重要性を浮き彫りにしている。 本研究は,生理的信号と学業成績の関係を明らかにすることによって,学生のメンタルヘルスに影響を与えるストレスの理解に寄与する。 さらに、生理的データを活用することで、学生の健康や学術的な成果を高める。

関連論文リスト

• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Transformer-Based Decomposition of Electrodermal Activity for Real-World Mental Health Applications [0.0]
  本研究では,EDA信号分解のための知識駆動型,統計的,深層学習に基づく手法の比較分析を行った。 著者らは、Autoformerアーキテクチャから適応した新しいトランスフォーマーベースのモデルであるFeel Transformerを紹介した。 このモデルは、リアルタイム生体信号解析の可能性を示し、ストレス予測、デジタルメンタルヘルス介入、生理的予測における将来的な応用を示す。
  論文  参考訳（メタデータ） (2025-06-04T17:07:40Z)
• Cross-Modality Investigation on WESAD Stress Classification [0.0]
  本研究では、WESADデータセットを用いたストレス検出のためのトランスフォーマーモデル、心電図(ECG)、心電図(EDA)、筋電図(EMG)、呼吸速度(RESP)、温度(TEMP)、3軸加速度計(ACC)信号のトレーニングを開発した。 その結果, 単モード変圧器による生理的信号の解析, 精度, 精度およびリコール値が99.73%$から99.95%$の範囲で達成された。
  論文  参考訳（メタデータ） (2025-02-26T01:04:58Z)
• Development and Comparative Analysis of Machine Learning Models for Hypoxemia Severity Triage in CBRNE Emergency Scenarios Using Physiological and Demographic Data from Medical-Grade Devices [0.0]
  グラディエントブースティングモデル(GBM)は、トレーニング速度、解釈可能性、信頼性の点で、シーケンシャルモデルを上回った。 タイムリーな介入のために5分間の予測ウィンドウが選択された。 本研究は、トリアージを改善し、アラーム疲労を軽減するMLの可能性を強調した。
  論文  参考訳（メタデータ） (2024-10-30T23:24:28Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Enhancing Activity Recognition After Stroke: Generative Adversarial Networks for Kinematic Data Augmentation [0.0]
  脳卒中リハビリテーションにおけるウェアラブルモニタリングのための機械学習モデルの一般化可能性はしばしば、利用可能なデータの限られたスケールと不均一性によって制限される。 データ拡張は、トレーニングセットに表される変動性を強化するために、実際のデータに計算的に導出されたデータを追加することで、この課題に対処する。 本研究では、CGAN(Conditional Generative Adversarial Networks)を用いて、公開データセットから合成キネマティックデータを生成する。 合成データと実験データの両方でディープラーニングモデルを訓練することにより、タスク分類精度を向上させる:実データのみを訓練したモデルでは66.1%よりもはるかに高い80.0%の精度で合成データを組み込んだモデル。
  論文  参考訳（メタデータ） (2024-06-12T15:51:00Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Inference of cell dynamics on perturbation data using adjoint sensitivity [4.606583317143614]
  データ駆動型細胞生物学のダイナミックモデルを用いて、目に見えない摂動に対する細胞の反応を予測することができる。 最近の研究は、明示的な相互作用項を持つ解釈可能なモデルの導出を実証した。 本研究は,このモデル推論手法の適用範囲を生物システムの多様性に拡張することを目的としている。
  論文  参考訳（メタデータ） (2021-04-13T19:15:56Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。