相关文献表明,有效使用自我调节学习策略的能力对于在线学习者至关重要,学习者能否取得成功很大程度上取决于在线自我调节学习能力。然而,目前高等教育系统中的在线学习依然存在诸多的问题,比如高辍学率、学习质量和效率不佳、无法提供个性化的支持。因此,如何深入探索在线学习者的学习行为模式,提升学学习者自我调节学习能力,为学习者提供个性化的支持,是研究亟待解决的主要问题。本文以某S高校一学期内Moodle平台上《英语批判性阅读2》课程的115名学生为研究对象,通过实证研究探讨了不同类型的自我调节学习者的时间序列行为模式的特点,并结合有意义的自我调节学习行为变量构建了在线学业预警模型,主要工作具体包括以下三个方面:（1）通过文献梳理,界定了在线自我调节学习、数据挖掘、学业预警等相关名词的概念,从在线自我调节学习和学业预警研究的角度梳理了当前国内外研究现状。基于Pintrich的自我调节学习理论模型,划分在线自我调节学习行为分析指标,对Moodle平台上的自我调节行为数据进行预处理,从而确定了与学生学业成绩密切相关的14个具有意义的自我调节学习行为变量。（2）通过问卷收集学习者在线自我调节学习情况,使用K聚类方法划分成了高、中、低三种不同类型的自我调节学习者,并利用过程挖掘技术得出了不同类型的自我调节学习者的时间和序列行为模式,通过分析和对比不同类型自我调节学习能力学习者的在线学习行为过程,以提供个性化的学习支持,为在线学习环境构建自适应支持和教师的教学提出应对建议。（3）构建在线学业预警模型,基于8种不同类型的机器学习算法,选择包括随机森林、朴素贝叶斯、逻辑回归等在内的多种常见的分类算法,得出了最优的预测模型是朴素贝叶斯,并进行信息增益率分析,得出了有较强的预测能力的在线自我调节学习行为指标,为学习者提出避免学业风险的建议。研究结果表明:一是对于低、中、高三种不同类型的学习者,中高自我调节学习者中会在监测阶段的回看任务、回看计划事件中会显示出更高的显著性水平,并被观察到与其他自我调节学习学习阶段的查看资源、查看讨论事件在发生顺序、时间上有更多的连续性与关联性;二是得出了构建学业预警的最优的预测模型是朴素贝叶斯模型,以及对预测指标进行信息增益率分析,得出查看和参与讨论的次数、资源访问的次数、寻求帮助的自我调节学习变量的相关系数和信息增益值更高,对于模型的贡献更多,因此教师应该更加关注这些指标以防范学业风险。总之,本研究的贡献点和创新点在于从自我调节学习的视角出发,通过挖掘在线自我调节学习行为特征,分析高、中、低三类不同类型的自我调节学习者的在线学习特点,在理论意义上,验证了自我调节学习过程的特点是以迭代方式而非线性方式开展的;在实践意义上,为自适应在线学习环境设计提供了思路。另一方面,构建在线学习学业预警模型,评估不同行为特征和算法的学业风险预测结果,能够为学习者学习效果的改善、课程设计者的设计、在线学习平台的优化等提供适用性建议。