随着互联网的快速发展,在线学习受到人们广泛的青睐,越来越多的学习者选择通过互联网进行学习。由于在线学习资源的爆炸性增长,导致学习者在进行在线学习的过程中出现“学习迷航”和“认知过载”问题。同时,现有的在线学习对学生学习的个性化、差异化问题的关注方兴未艾,在线学习对于促进教育公平、提升学习效率的优势还未能良好的发挥出来。本文将贝叶斯网络理论与技术应用到在线学习的学习过程中,构建了在线学习知识地图模型,提出了基于贝叶斯网络推理机制的知识掌握程度预测方法,为学生提供个性化的学习导航。本文的主要工作包括:1、分析了学科知识的组织特点,将知识单元及其之间的依赖关系映射成知识网络中的结点和边,确定了知识单元的结点属性,构建了面向学科领域的知识地图模型,研究了知识结点中心度和难度的计算方法,并在此基础上给出了一种有效的学习路径生成方法。2、把学科知识地图作为贝叶斯网络结构,结合项目反应理论的测评结果构建了高斯贝叶斯网络模型,可定量地计算出知识单元之间的依赖程度,并由此提出了知识单元掌握程度的预测方法,使得采用计算机预测结果来帮助学习者控制和调整学习进度成为可能。3、设计并实现了基于贝叶斯预测的在线学习系统,可在学习者学习相关知识单元并完成做题后,给出下一个适合该学习者学习的知识点,为学习者提供个性化学习路径导航。本文提出的知识地图模型可以形象地反映学科领域知识的关联关系,给出了优化后的学习路径,有效地避免了“学习迷航”和“认知过载”的出现。经过实验分析,本文提出的高斯贝叶斯网络模型可以有效地反映知识单元之间的依赖程度。通过预测值和实际值的对比分析,表明本文提出的知识掌握程度预测方法具有较高的准确性,可以为学生提供个性化学习路径导航,具有良好的应用前景和价值。