协作学习是一种通过小组的形式组织学生经过充分协同、相互配合、共同完成学习任务的学习方式,其对于提高学生学习的主动性、培养学生的创新精神等有积极的作用。目前,协作学习这种学习方式已在教学中广泛普及。但是,由于学生之间的知识水平、学习能力等各不相同,导致一些学生在协作学习中的参与度并不高,而教师难以准确和及时地掌握每个学生的学习状态,无法及时地对需要帮助的学生给予教学干预。针对目前协作学习中出现的问题,本文提出了一种基于脑电数据的协作状态分类方法,能够对学习者的协作状态进行自动识别,为辨别学习者的协作状态提供了一种新的思路。本文主要从脑电采集系统的研发、协作学习实验设计与数据采集、协作状态分类模型的构建三个方面展开研究。首先,为了对学习者的脑电数据进行采集,本文设计并实现了一个脑电采集系统。该系统使用MindWave Mobile脑电设备采集学习者的脑电数据并通过蓝牙将脑电数据发送到电脑,然后利用该脑电设备提供的二次开发接口对脑电数据进行解析并将解析后的数据发送到Kafka消息队列中做进一步处理,最后使用关系型数据库MySQL对脑电数据进行存储。其次,为了收集协作学习场景下的脑电数据进行研究,本文设计了协作学习实验并招募了 36名被试者进行实验,被试者被随机分组,每3人为一个小组,一共进行了 12组实验。在实验过程中每位学习者需要佩戴MindWave Mobile脑电设备以收集脑电数据并根据给出的学习材料和任务在学习平台上绘制概念图,最后通过小组成员协作得出小组的概念图。在实验期间使用录音和录像设备对整个实验过程进行了记录。实验结束后根据收集的音频和视频数据并结合ICAP框架对学习者的协作状态以20秒为固定时长进行了人工标注。协作状态一共分为了 5种,分别是交互学习、建构学习、主动学习、被动学习和无效学习。最终一共得到3231条数据,总时长约64620秒。最后,本文根据循环神经网络LSTM和GRU并结合集成学习算法AdaBoost提出了 LSTM-AdaBoost和GRU-AdaBoost两种分类模型对学习者的协作状态进行分类,并在自建的脑电数据集上对模型的分类效果进行了评估。然后与KNN、SVM、决策树、随机森林等这些传统的分类算法构建的模型进行了比较。结果表明,基于循环神经网络LSTM或GRU构建的模型的分类效果要明显好于用传统算法构建的模型。传统分类模型效果最好的为随机森林,它的准确率为0.30,基于GRU构建的模型的分类效果相较于LSTM要略好,准确率为0.35,而使用AdaBoost集成学习算法构建的GRU-AdaBoost模型分类效果最好,准确率达到了 0.38。