随着移动网络和智能终端的普及,在线学习逐渐摆脱了通过有线网络和固定终端接入的限制,真正实现了随时随地学习的状态。学生的学习活动也随着环境和方式的改变而具备新的特征。在线学习中,学习活动发生的时间和地点具有随机性和不确定性,学习策略也会随着课程的进展发生变化。在此背景下,如何刻画学习行为模式、预测学习成效并为教学提供帮助需要采取新的思路。本文基于在线学习中学生行为数据,研究了学习行为时空分布特征及时序演化特征,进而提出基于行为分析预测学习成效的方法,并在分析学业风险学生学习策略的基础上提出了针对性干预策略。本文的研究及贡献总结如下:首先,分析学习行为的时间和位置分布特征,探索学生如何进行“随时随地”学习,揭示时空分布的学习成效特点和群体差异。针对在线学习中学生的学习时间和位置分布具有动态特征,本文提出了时间熵和位置熵概念以量化分析学生时间和位置分布及变化特征。基于国内某高校数据的研究结果表明,不同学习位置变动特征和学习时间变动特征群体的学习成效具有显著差异,学习位置变动较小和固定的学生课程通过率较高,而学习时间和位置变动较大的学生课程学习通过率较低。其次,分析学习行为的时序演化特征,探索学习行为模式随课程进展的变化规律。针对学习过程中,课程要求的改变引起学生学习活动的自我调整进而表现出时序演化特征,为刻画学习行为模式的动态变化过程,本文提出了基于时间序列特征提取和分段的行为模式分析方法。在对K12数据进行的研究中,本文重点分析了 11种行为时序演化类型。结果表明,学生在三个课程阶段具有多种学习行为模式,且不同的行为模式对学习表现存在积极或消极影响,“平衡”,“勤奋”和“交互”是对学习成绩有积极影响的模式;“波动”,“低参与”和“低交互”是对学习成绩有消极影响的模式;行为的时序演化类型之间存在明显的成绩差异,勤奋平衡型学生取得最高的通过率,波动型学生取得最低的通过率,且大部分高学习表现的学生比低学习表现的学生有更高的学习频率或持续的学习行为模式。最后,研究基于学习行为分析的成效预测与干预,识别学业风险学生,并提出教学干预措施。针对早期预警应尽可能多的识别出学业风险学生,提前干预时间和提供有针对性的干预措施等问题,本文提出了基于LSTM-autoencoder特征处理和和注意力权重计算的早期预警模型。基于K12数据的研究结果表明,所提出的模型提高了学业风险学生的识别率,并提前了干预时间点,该方法对识别低交互型和非持续型的学业风险学生具有明显的优势。对学生的行为模式和学习策略分析表明,学业合格学生和学业风险学生行为模式的本质差别是,学业风险学生由于存在“假期效应”,无法形成完整的自我调节学习的反馈循环来合理调整自己的学习活动。本文从两种思路提出了学业风险学生的干预措施——针对学习策略上的缺失而采取的干预活动和引导学业风险模式向相似的学业合格模式转变。本文围绕行为模式识别,学习成效预测和教学干预三个核心问题开展研究,揭示了学习规律,取得了一定的成果。但是,由于数据和方法存在的局限性,本文的工作还有不足之处,有待进一步完善和提高。在数据方面,需要融合多源的多模态数据,以全方位刻画学生的学习行为特点。在模型方面,深度学习模型架构不断推陈出新,是否存在进一步提高学习数据分析结果的模型还需探索。本文未来的工作将关注于从数据和方法角度提高分析结果,拓展行为模式分析的教学应用等问题。