随着远程教育的普及,远程教育质量的监测和提升成为焦点。远程学习者人数众多,教学者或其教学团队却只有几人,师生比非常低,加之时空分离的教学方式,研究如何在时空分离的情况下,降低学习挂科风险、激发学习动机、助力教学者实现个性化教学愈发重要。有效的预测与及时提供反馈是改善教与学的重要保障,总结前人在学习风险预测建模和预警反馈方面的研究,场景集中于网络MOOC、混合学习等,且存在研究课程单一、研究样本数量少、构建的预测模型可移植性差、预警干预反馈有效性不足等问题。基于此,本研究采集重庆某高校网络与继续教育学院四门不同学科的14448名远程学习者背景信息和在线学习行为数据作为研究样本,应用数据挖掘算法构建远程学习风险预测模型,并采用以用户为中心的设计理论、参与式设计的方法设计预警反馈,主要研究内容包括:第一,利用数据挖掘技术构建远程学习风险预测模型,研究是否能构建基于教育大数据的跨学科远程学习风险预测模型。其中,在数据预处理阶段选取了 Sm ote采样和Costsensitive两种算法解决学习者风险类别数据样本分布不均问题,并将构建的远程学习风险预测模型效果进行比较。第二,利用卡方检验、相关性分析和多元线性回归分析三种方法分析在不同的学科中,学习者背景信息和在线学习行为特征与期末学习成绩之间的相关性,并将分析结果结合远程教育教学环境进行解释,提出有助于远程教育教学的建议。第三,采用以用户为中心的设计理论、参与式设计的方法设计预警反馈,提出了一组应用于学习分析领域的参与式设计工具来获取用户的期望和需求,包括焦点小组、用户画像、知识地图、学习者旅程、预警反馈原型构建。最后,将设计的预警反馈原型采用调查问卷和访谈法进行可用性评价。研究结果表明:(1)随机森林算法构建的综合课程远程学习风险预测模型移植性高,其Kappa值为0.5863、F值为0.782,可跨学科使用。Smote采样处理学习者风险类别数据样本分布不均问题能更大幅度提高训练的预测模型性能;(2)不同学科中预测特征的表现不完全相同。远程学习者年龄、平时作业成绩和性别*学历在不同学科中都是影响学习成绩的重要特征,作业提交总次数只在文科课程中是影响学习成绩的重要特征,在线学习总次数和在线提问总次数只在理科课程中是影响学习成绩的重要特征。合成特征(性别*学历)有助于预测模型的训练和预测特征的分析,预测特征分析的结果为预警反馈的设计提供了指导,虽然远程学习风险预测模型可以跨学科使用,但预警反馈设计需要将不同的学科分开考虑。(3)采用参与式设计的预警反馈得到了用户较高的评价。根据分析调查问卷的数据显示,学习者对设计的预警反馈原型在感知有用性、认知负荷、用户满意度和自我到导向性四个维度上的评价均为非常满意,整体评价满意度高;根据分析访谈内容的数据显示:学习预警个性化报告极大的满足了教学者和学习中心管理员的预警需求,主要体现在反馈界面认知负荷低,预警板块设计合理,反馈信息丰富和数据指标全面等方面,可为远程学习预警干预提供有效的证据支撑。