孤独是一种消极的情绪。研究表明,孤独可能给大学生带来各种问题,如学习成绩变差、罹患心理疾病甚至自杀。因此,及时准确地识别出孤独的学生具有重要的实际意义。本文提出了一种基于分组协作数据识别孤独学生的方法,重点开展了三项研究工作。（1）提出了基于分组协作数据识别孤独学生的方法,并设计了一些新颖的特征。据本文作者所知,目前还没有其他研究者提出利用分组协作数据识别孤独者的方法。首先对近千份课程项目文档进行了手工处理,生成3000多条分组协作记录。其次,利用社交网络分析方法构建分组协作网络,并对网络作可视化分析。在此基础上提出了若干考虑孤独学生特点的新颖特征。这些特征不仅有利于提高机器学习模型的准确率,而且有助于理解孤独学生的行为表现。（2）提出了一种适用于图卷积神经网络的过采样算法。图卷积神经网络适合网络结构的学习,由于数据存在严重的类不均衡现象,导致模型的识别效果很差。本文提出了一种适用于图结构的过采样算法,在构造少数类样本的同时,确定样本之间的连边及其权重。实验表明,该方法缓解了在图上学习时类不均衡问题,提高了模型分类性能。（3）提出了一种可解释的孤独学生的识别框架。由于孤独可能引发各种问题从而对学生生活造成负面影响,孤独识别模型不仅要给出分类结果,还应给出分类的理由。由于图卷积网络可解释性低,本文提出了一个可解释的识别框架,包括输入层、处理层及输出层。实验表明,新增加的特征可以将Recall指标提高约16%,且模型在真实数据集上可识别83%以上的孤独学生。与量表相比,分组协作数据受调查对象的主观影响较少,数据更客观,采集更方便。实验表明利用分组协作数据识别孤独学生是可行的。然而,本文仅是该方法的初步研究,其有效性还需在更大范围内验证。