随着科技的不断发展,以物联网、云计算等技术为支撑的大规模开放在线课程正逐渐成为一种大众喜爱的学习方式。在线课程摆脱了传统课堂的时空约束,对学习者的资质限制较少,具有自由、灵活的优势,但是其也面临着管理难以规范化、辍学率高、通过率低等问题。为了提高课程的完成度,研究人员通常基于平台中学习者的历史学习行为数据,采用机器学习模型预测学习者发生辍学的可能性。机器学习模型强大的建模能力,能够实现对学习者学习状态的有效预测。然而由于模型固有的黑盒属性,用户通常难以理解模型内部结构的运行机制,并且决策结果的可信度需要进一步深入分析。为了解决以上问题,本文引入了可视分析技术和模型可解释性分析方法,探索学习者的辍学行为,通过构建CNN-LSTM模型预测学习者辍学的概率,并利用反事实解释方法揭示模型做出决策的原因,结合丰富的视觉表征,开发交互式的可视分析系统帮助用户洞察学习者潜在的辍学模式,并协助领域专家识别发生辍学行为的具体原因,从而指导设计有针对性的干预策略。本文提出了一种基于反事实解释的慕课辍学行为可视分析框架,借助机器学习模型建模学习者的辍学行为,通过模型可解释性分析捕获学习者的辍学模式,结合可视化隐喻和多视图联动机制,实现对慕课学习者学习行为的多角度探索,挖掘辍学的潜在影响因素,为制定干预策略提供科学、合理的依据。主要的研究内容包括:1.提出一种集成CNN和LSTM的慕课辍学行为预测模型。针对具有海量、多维、时变特征的学习行为数据,使用行为矩阵量化表征学习者多维度的行为特征,并使用CNN-LSTM模型建模学习者在线学习行为,预测学习过程中出现辍学行为的概率,帮助研究人员及早发现具有辍学风险的学习者。2.提出一种基于反事实解释的潜在辍学模式识别方法。结合反事实推理,从多个方面揭示辍学行为预测模型的决策过程,量化衡量学习行为与辍学之间的影响程度,帮助研究人员探索不同学习群体辍学模式的异同,进而为改善辍学现象提出切实可行的建议。3.设计并开发交互式辍学模式可视分析系统MDCEVis。系统集成丰富的视觉编码和便捷的交互,支持从辍学模式概览,到反事实解释分析,最后到个人层面细节探索的可视推理。本文使用慕课中学习者的点击流数据集进行实验,通过多个案例证明了所提方法在分析和理解慕课辍学原因,挖掘潜在辍学模式,以及解释模型决策方面的有效性。