适应性教学系统依据学生学习基础和学习能力,为学生提供适合的教学内容,现已成为一项跨学科、富有挑战性的研究课题之一。在适应性学习模式中,学习诊断(即学习者认知能力、学习能力判断)是至关重要的一环,为此,探讨适应性学习的诊断模式,根据学生的反应情况来估测学生能力以及领域知识的掌握程度,对了解学生的不同学习需求,提供适合学生需求的适应性教学具有重要意义。结合课题研究背景及国内外研究现状,本文利用多关系数据分类聚类挖掘技术挖掘学生学习痕迹,并以此为基础,构建学习适应性诊断模型。本文的主要工作如下:1、从学生学习能力和认知能力两个方面进行诊断,将学习适应性诊断过程进行了划分,建立学习适应性诊断模型。其中使用Logistic方法进行学习前诊断,由多关系数据聚类技术建立学习过程中所需的学习资源标准参数,从而完成学习过程中的诊断,最后由多关系数据分类技术进一步更新适应性诊断结果。2、针对学生学习痕迹相关数据的非平衡特性,对适用于该类数据的多关系分类方法进行了研究。借鉴One-vs-All方法思想,通过对目标类进行ECOC编码,采用CrossMine算法构造多个子分类器,比较AUC评估后的分类器预测结果连接字的海明距离与目标类编码,选择最小海明距离的目标类作为最终分类结果。3、学习痕迹数据中存在着丰富属性和链接,对基于属性与链接的多关系聚类方法进行了研究。方法利用户指导搜索与聚类任务最相关的多关系属性,对每一个目标元组生成多关系属性向量,由多关系属性向量与关系链接计算相似性,提高了聚类方法的准确率,建立了学习资源参数标准,为在线学习过程中的适应性诊断提供了依据。4、最后,通过原型系统设计实现了学习适应性诊断模型,并对诊断效果及系统运行性能进行了评估与分析,验证了模型可用性。