随着软件行业的快速发展,软件开发的从业者逐渐增加。研究人员也开始进行一些与开发人员相关的研究,包括挖掘他们的开发行为模式、识别工作时的心智状态等。企业管理者在这些研究结果的指导下,可以对开发人员的工作时长与任务分配进行动态调整,这样既可以改善开发人员的工作体验,同时还能提高团队的生产力。现有研究工作大多关注开发人员的编程行为,但对于他们工作中的心智状态的研究并不普遍。而这些研究又大多基于实验室场景开展,对数据的有效性的考虑不够充分。在实验室场景中,采集得到的开发者数据往往与真实企业场景中有所不同,数据处理方法又大相径庭,这些因素影响了最后实验结果的可靠性,导致其无法为企业管理者提供正确的指导意见。本文研究了真实企业环境中软件开发人员心智状态的识别问题,提出了借助开发人员编程行为数据来识别心智状态的实验方案,并总结出了在真实企业环境中开展实验可能遇到的问题。针对这些问题逐个分析,我们提出了一套解决问题的框架——EPRFML,包含了数据采集、数据准备与借助机器学习方法识别心智状态等实验步骤。为了保证在真实企业中采集数据的质量,我们提出了非侵入与隐私保护的采集工具设计方案,并在此基础上实现了一套数据采集工具——Dev Act Rec,有效地完成了数据采集任务。我们同时给出了一套标准的数据处理流程,并针对“投入”状态识别问题进行了实验研究,将我们给出的技术框架中的不同模块具体实现,组成了一套完整的识别开发人员不同心智状态的应用。对“投入”状态识别问题进行的实验,验证了我们框架的有效性。本文的贡献主要包含以下方面:1.本文系统地分析了真实企业环境中开发人员心智状态识别问题的需求,提出了借助开发人员与IDE交互数据识别心智状态的方案,并将其整合为EPRFML框架,可以支持各种心智状态识别任务。2.本文提出了非侵入与隐私保护的数据采集原则,开发了一套IDE插件形式的数据采集工具Dev Act Rec,可以采集开发人员与IDE的所有交互数据,并以问卷形式定期采样其心智状态,为后续的识别工作提供了数据支撑。3.本文基于DevActRec工具采集的数据,提出了一套数据抽象模型,将原始数据抽象为不同粒度的行为序列。并给出了进行心智状态识别实验的参考数据处理流程。最后选择“投入”状态识别问题,借助监督学习方法进行了数据采集与实验验证,验证了本文提出的框架的有效性。4.本文总结了团队先前关于开发人员心智状态识别的研究工作,借助EPRFML框架对其进行了实验验证,最终得到了对三种真实企业环境中心智状态的实验结果。本文将实验数据集、实验流程与结果整合,组成了一套识别开发人员心智状态的基准测试集,为相关研究工作提供了参考。