大规模在线开放课程(Massive Open Online Courses,MOOC)打破了传统教学的时空限制,在线课程内容丰富,学生选择对象宽广,MOOC教育成为新兴教育发展的有力支撑。然而,由于MOOC是无监督教学、无后果自学模式,使得MOOC参与者的学习注意力与学习持续性都难以保持,出现课程的低通过率、高“辍学率”现象。实现对学生在线学习的行为模式进行深入挖掘,精准识别MOOC高危参与者,适时采用科学方法干预其学习行为,成为改善MOOC课程通过率,提高教学效果的有效途径。本研究提取来自MOOC网站“学堂在线”的《概率论与数理统计》课程4144条参与者信息—包含参与者作业完成、在线讨论、视频学习时长、测试等90个指标。早于样本指标完成度不平衡,先运用R语言统计分析工具,基于人工数据合成法(SMOTE,Synthetic Minority Oversampling Technique)对现有不平衡数据进行平衡化处理,得到279条均匀分类样本。然后结合集成算法XGBoost对279*7的数据集进行高危参与者统计识别,通过人工筛选和Lasso回归变量选择,最终发现影响学生最终课程考试成绩的指标有成绩作业完成度、学习时长、视频观看、讨论区行为及相关章节的学习共7个指标。Kappa值也由1.301819e+18变为282.7768,避免了变量间的多重共线性效应。在十折交叉验证下,运用XGBoost算法对279名学生进行成绩统计预测结果,平均预测准确率达到99.6%。随后,网络学习的相关心理学干预研究表明—多媒体技术、同伴反馈、合作学习、模拟游戏、甚至对学生的学习行为进行强制性约束,都能有效减轻网络学习者心灵漫游、专注度低下,最终提高其学习效率,保证网络课程的有效开展实施。通过本研究表明,利用现有指标和统计学方法能够对MOOC参与者最终是否通过做出有效预测分析。在在线学生的学习过程干预中,讲师的参与感过低,可以加入在线学习者的学习过程,引导学生往讨论区方向靠近,提高学生的互相反馈行为。老师也可以在授课过程中鼓励学生的合作行为,为在线学习参与者提供良好、健康的学习氛围。