随着信息技术的不断发展,传统的教育研究方法需要与时俱进,通过先进的技术手段去研究和解释在教育中存在的各种现象和问题是现代教育研究中必不可少的环节。伴随着大数据概念的提出,数据已然开始占据各行各业发展的主导地位,目前各种对教育数据的分析正慢慢成为教育工作者所提出的观点和决策背后强有力的支撑依据。在此背景下,我们分别面向教学质量评价、个性化学习展开了对应的课程相关性、试题相关性研究,并基于回归模型来研究学习分析中的成绩相关性。目前对教师的课程质量评价主要还是依靠学生的主观意识,从客观角度对该方向的研究比较少。本文首先基于Apriori算法对学生的课程考试成绩进行挖掘,从挖掘的结果中找出相关联的课程。然后针对同一批学生在相关联的不同课程上的学习情况来客观地评估该课程对应的授课教师的教学质量。个性化学习一直是现代教育教学理念中教育工作者们关注的焦点,其最大的优势就是能够帮助每一个学生获得与自身相对应的学习指导。因为个性化学习最终仍需回归到对学生课程知识掌握程度的考察,所以就需要为学生提供契合于其自身学习情况的个性化试题。如何选择个性化的试题需要对试题的各个参数进行深入探讨,目前对试题的研究主要集中在试题难度和试题区分度,对试题相关性的研究还比较少,而已有研究也大都是基于试题内容的角度来判断试题是否相关,本文创新性地提出了试题关联模型,通过该模型来量化描述不同试题之间的关联。本文通过大量实验揭示了试题关联模型在不同场景下所受到的影响,另外该模型的有效性也在实际学生的答题记录中获得验证。本文基于该模型设计出了一种智能组卷的方案,该模型和方案能够为学生提供薄弱知识点的专项练习和课程全部知识点的广度考察,满足学生的个性化学习需求。随着个性化学习的推广,学习分析技术开始被广泛使用。本文基于回归模型分析学生课程期末考试成绩与学生学习习惯、平时成绩之间的关系并做相应预测。本文在最后介绍了我们开发的个性化学习平台,对平台中的各种功能模块做了简要的描述。该平台积累了学生在课程学习中留下的大量记录,我们将这些记录数据结合试题关联模型,帮助学生更好地展开个性化学习。