信号升高不等于感到压力
可穿戴设备依据的是身体的警报系统。传感器捕捉心率、呼吸、皮肤电导等信号的变化，再由模型把这些变化换算成一个“压力”数值。问题在于，这套警报系统会因为很多原因被触发。学生跑着去上课、考前喝咖啡、或者坐在考场里，都会产生彼此重叠的生理模式。设备擅长发现“有东西变了”，但变化本身并不会贴上“压力”的标签。
学生研究也反映了这一点。一项分析大学生考试期间可穿戴数据的研究，直接把传感器读数当作压力测量，没有把压力和一般唤醒区分开 [2]。一个面向学生的实时检测系统把生理信号与视觉数据结合起来对学生压力状态进行分类，同样没有明确划出这条界线 [3]。这些都是合理的工程选择，但意味着输出更接近“检测到激活状态”，而不是“这名学生有压力”。
这些评分在学生身上实际追踪的是什么
有些研究更具体地说明了究竟是哪种身体信号在起作用。一项针对500多名大学新生的研究使用了可穿戴睡眠数据，并聚焦呼吸频率作为检测压力的指标 [5]。这比笼统的压力评分范围更窄：它说的是睡眠期间的呼吸频率携带了一种信号，研究者在该群体中把它与压力联系起来。这仍然不能证明呼吸变化是压力造成的，而不是睡眠质量、疾病或其他因素造成的。
一篇关于大学生压力测量的批判性综述从另一个方向指出了同样的根本问题。它讨论了用可穿戴人工智能进行压力检测，并指出学生研究往往依赖外部标签，比如感知压力量表得分，来锚定可穿戴数据的含义 [4]。换句话说，是用学生自己报告的压力来解读可穿戴读数，而不是反过来。这个框架提供了一条有用的线索：自我报告在承担定义的工作，传感器则是在匹配某种模式。
这对研究学生压力为什么重要
如果一项研究的结果变量是可穿戴压力评分，那么“学生在考试周压力更大”这样的发现，实际意思是“学生在考试周身体更被激活”。这可能是真的，也有用，但这个结论比听起来要弱。考试周还伴随着睡眠更少、咖啡因更多、坐得更久、在教室之间走动更多——这些都可能推动同样的信号。因此，一项用可穿戴考试压力数据预测考试成绩的研究 [1]，预测依据是一组与唤醒相关的信号，而不是对担忧或压力的干净测量。
实际后果在于如何解读，而不是否定这些研究。可穿戴评分仍然有助于发现学生身体何时处于负荷之下，而且与反复发放问卷相比，大规模收集也很方便。但当一项研究报告可穿戴设备检测到了压力时，诚实的解读是：它检测到了一种被研究者称为压力的唤醒状态。这个标签是否站得住脚，取决于研究还测量了什么。
如何解读可穿戴设备的压力说法
一条实用的经验法则：寻找第二个独立测量。当学生研究把可穿戴读数与感知压力得分配对时，可穿戴数值是在对照学生自己的说法进行校验 [4]。当研究只报告可穿戴输出时，结论是关于生理的，而不是关于学生体验的。两种做法都没有错，但它们回答的是不同的问题。
另一个有帮助的问题是：设备是用什么数据训练的。一个用来区分考试期和普通日子的模型，学的是识别考试期间的生理特征——其中包括来自多种来源的唤醒——而不是专门识别压力的生理特征 [1][2]。这并不意味着模型没用。它意味着“压力”这个标签是研究者使用的一种简写，读者应当这样看待它，而不是把它当作直接窥见学生感受的窗口。
本文引用的文献
使用多传感器方法对可穿戴考试压力数据集进行统一预处理以预测考试成绩
该论文使用学生在考试期间的多传感器可穿戴数据来预测考试成绩，把考试期间的生理数据当作压力数据。
利用可穿戴传感器数据对学业考试期间的压力进行综合分析
该论文把10名大学生在学业考试期间的可穿戴传感器数据作为压力测量进行分析，没有把压力和一般唤醒区分开。
基于物联网可穿戴设备和机器学习的实时多模态学生压力检测系统：问题空间中的模型
该论文描述了一个实时系统，把可穿戴生理信号与视觉数据和机器学习结合起来，对学生在主动学习期间的压力状态进行分类。
从有益健康资源到大学生客观压力表型：关于一致性感、生活方式和生理……的批判性叙述综述
该综述讨论了用可穿戴人工智能检测大学生压力，并指出学生研究往往把可穿戴读数锚定在外部标签上，比如感知压力得分。
从可穿戴睡眠数据检测大学新生的压力
在500多名大学新生中，研究考察了可穿戴睡眠数据——尤其是呼吸频率——作为检测压力的可能指标。