Naukowcy zbadali, czy można przewidywać wyniki egzaminów analizując sygnały fizjologiczne studenta. Podczas testów mierzyli aktywność elektrodermalną, tętno oraz temperaturę skóry badanych osób, a następnie trenowali na tych danych różne modele machine learning. Celem było sprawdzenie, czy stan fizjologiczny człowieka w czasie egzaminu ma związek z jego ostatecznym wynikiem.
W badaniu zastosowano szeroką gamę podejść, od klasycznych algorytmów takich jak random forest czy support vector machines, aż po zaawansowane architektury głębokie. Badacze sprawdzili również, jak transformery — modele zwykle używane do przetwarzania tekstu — radzą sobie z danymi numerycznymi. Wszystkie podejścia oceniono przy użyciu standardowych metryk: accuracy, precision, recall i F1-score.
Wyniki były zaskakujące. Choć głębokie sieci neuronowe generalnie lepiej chwytają złożone zależności w danych fizjologicznych, prostsze modele takie jak random forest potrafiły osiągać porównywalne lub nawet lepsze wyniki. Ważne jest, że prostsze modele wymagały znacznie mniej mocy obliczeniowej i były łatwiej interpretowalne. Transformery wykazały dużą wszechstronność — ich wydajność była zbliżona do LSTM i GRU. To badanie podkreśla, że eksperymentowanie z różnymi typami modeli to kluczowe podejście w machine learning, zwłaszcza w nowych, niezbadanych jeszcze problemach.