自疫情以来,各大高校开展了许多在线学习课程以解决学生远程学习的难题。其中,大规模公开课程（MOOCs）受到了众多社会人士和学生的欢迎。它为实现教育公平和知识共享等方面带来新的曙光,但同时也面临着因学习成效降低带来的中途流失、辍课率高等问题。在MOOCs场景下,学习者在课程学习期间参与课程视频观看、作业测验提交、社区论坛互动以及浏览点击页面等课程活动,从而达到获取知识和技能的目的。在这种学习过程中,学习者若出现热情消退、压力增大甚至沮丧、厌恶等情况,则会通过行为和心理情绪等外在的形式表现出来。因此,若要解决这些问题需要从学习者的课程学习行为、心理情绪和情感投入等方面着手,深入理解学习者自身的学习状态以及时发现学习者自身可能出现的懈怠风险。本文的工作内容主要包括以下三个方面:在MOOCs行为分析方面,首先通过MOOCs平台收集到的学习者在线学习数据,在充分理解在线学习的内涵和要素的同时,分别对学习者的人口统计特征和主要课程行为进行初步分析,探讨这些指标在不同成绩群体中分布的差异性。其次,采用数据挖掘的方法从这些行为数据中提取出基于统计学特征和时序特征等行为状态指标,用于分析这两种不同类型的指标与成绩间的相关关系。实验结果表明,统计行为特征与成绩间存在一定的相关性,可以表征学习者的学习积极性、规律性等特点;时序特征即熵指标在一定程度上可以衡量学习行为发生的趋势。在学习倦怠分析方面,针对学习者常因倦怠而出现中途流失、学习成效降低等现象,首先,在文献调研和在线学习情境要素分析的基础上,根据搜集的数据集分别从行为不当、情绪低落和成就感降低等三方面设计了在线学习倦怠量化表征指标集合,用于衡量学习者的学习倦怠状态。然后,构建基于贝叶斯网络算法的倦怠分析模型,从影响学习倦怠的三个方面因素进行因果分析,探究这些指标对倦怠程度的影响效果。实验结论表明倦怠分析模型中的三个方面的指标状态组合可反映不同的倦怠程度,有利于分析倦怠指标所起的关键性作用。在学习成绩预测分析方面,综合学习者的行为和倦怠状态来描述学习状态,将学习状态指标集合作为成绩预测模型的输入特征,并采用逻辑回归（LR）、支持向量机（SVM）、决策树（DT）和随机森林（RF）算法作为成绩预测模型来开展对比实验分析。同时,采用消融实验来验证不同类别指标集合在预测成绩时的有效性。最后,使用模型解释工具SHAP值,从样本数据的角度重点解释分析了各指标在模型预测时所作的贡献。实验结果表明,课程行为类指标集合比其他类别取得更好的预测效果,熵和学习倦怠指标能适当改善成绩预测性能。在总体样本中,测验得分率、学习倦怠和测验提交行为熵在模型预测时发挥了较为重要的作用。