随着在线学习者规模的增加,学习者的在线学习学业预测成为教学难题。所以本文立足于学习分析技术,利用从在线学习平台获得的数据,尝试建立能预测学业成绩的模型,从而为学业预警和优化教学策略提供科学依据。(1)首先分析了学习分析与教育数据挖掘的区别及学习分析的内涵,并提出了学习分析流程与要素模式,阐述了学习分析在教学过程中的环节及其组成要素。接着提出“学习”要素框架,从多个方面对“学习”进行了描述。基于“学习”要素框架分析了学习行为投入对学业成绩的影响,提出了学习行为投入测评框架,从多个维度对学习行为投入程度进行衡量。(2)以决策树和随机森林算法作为学习成绩预测模型的实现方法。首先对算法原理进行了分析。然后采用信息熵的算法思想对数据集中的连续型变量进行了离散化,实验证明该方法能有效提高算法的拟合程度。接着利用算法对数据集进行拟合建模,通过调参和剪枝等处理方式得到了效果较好(准确率达80%)的预测模型。最后利用混淆矩阵对模型进行评估,模型对样本预测分类的准确率分别为H(84%)、M(69%)和L(89%),表明模型对学业预警是有效的。(3)预测结果表明“学生缺席次数”和描述学习行为的四个特征(“查看资源次数”、“举手次数”、“查看公告次数”和“讨论次数”)对学习成绩影响最大。通过对学习行为四个特征的相关性分析,“讨论次数”与其他三个相关性都较低,而其余特征两两之间相关性都较强,该结果有助于学习行为投入测评框架的维度划分。