学习表现预测对于个性化学习的发展至关重要。个性化学习旨在根据学习者的学习能力和学习行为来动态优化学习进度和教学方法。智能教育的发展使得大量学习数据得以保存,若能有效地利用技术从中挖掘有用信息,将有助于教师及时掌握学习者学习状态,提供个性化指导服务,因此具有一定的现实意义和使用价值。目前,教育数据挖掘的发展是多方面的,其中成绩预测研究和知识追踪研究受到了国内外学者的广泛关注,尽管相关预测方法已经取得了一定的效果,但仍存在不足,例如特征提取欠缺、模型预测精度不高、泛化性不强等问题。针对上述问题,本文基于学习者的学习行为及问题作答等数据,从两个方面进行研究,研究内容概括如下:首先针对成绩预测模型中预测精度不高、泛化性能弱等问题,本文提出了一个基于Stacking集成的成绩预测模型（PPSE）,根据数据特性选取线性回归和BP神经网络作为初级学习器,分别用于学习特征间的线性和非线性关系;特别地,PPSE还利用前向逐步回归方法筛选特征,将筛选所得特征与初级学习器的输出拼接作为元学习器的训练集,得到最终预测模型。利用两个公有数据集并构建一个私有数据集进行对比实验,验证模型结构的有效性。实验结果显示,PPSE模型均取得了比基线模型更优的效果,表明PPSE模型在成绩预测任务上具有更优的预测精度和泛化性能。为了能够具体地了解学习者对知识的掌握情况,本文还基于具体作答数据,提出了一个基于预训练和多头注意力的动态键值记忆网络知识追踪模型（DKVMN-PMH）,在预训练过程中引入问题关系、问题难度和知识点难度作为损失函数的限制条件,优化问题嵌入向量;同时,本文结合上一时刻的预测,并融合学习者问题正确作答次数、问题难度和知识点难度特征提出了基于多头注意力机制的权值计算方法,用于更新知识状态矩阵。最后利用三个公有数据集并构建一个私有数据集进行对比实验,实验结果表明,提出的DKVMN-PMH模型能够有效提升知识追踪任务的预测准确性。