互联网技术的高速发展,促进信息技术广泛应用于教育教学中。随着在线学习系统的广泛使用,人们逐渐接受并适应在线学习的方式。学习者在各线上平台上讨论与协作、学习课件或者参加测验,产生了海量的学习活动及行为数据。由于数据来源于不同的在线学习平台,存在结构散乱、格式不统一等问题。为了从原始数据中发现有价值的信息并加以应用,需要数据挖掘相关方法对数据进行处理与分析。通过介绍数据挖掘应用在教育领域的研究现状,以及针对在线学习行为进行分析的相关研究,然后对聚类方法、预测方法以及学业预警技术进行阐述。本文采用数据挖掘相关方法,对学习者在线学习行为进行挖掘分析。通过挖掘有意义的行为特征进行聚类分析,探索学习者的学习特点,并建立学业预警模型对学习者学习情况进行风险预测。研究结果能够为在线学习者、教学工作者和线上教学平台等进行教学优化提供高质量的决策依据。首先构建在线学习行为模型,并探究在线学习行为特征对学习效果的相关性,挖掘有意义的行为特征。其次,对学习者群体进行聚类分析,并将聚类结果可视化,进而讨论不同类型学习者的学习特点,给予学习者个性化学习建议。最后,构建在线学习学业预警模型,确定学业预警等级划分,为不同预警等级的学习者提供建议。针对多维度的行为特征进行组合,用常见的分类算法进行学业风险预测,通过评价与分析预测结果,得到风险预测效果较好的行为特征组合,以及适用于预警模型的分类算法。总之,本文通过挖掘在线学习行为特征,分析不同类型学习者的学习特点,以及构建在线学习学业预警模型,评估不同行为特征组合的学业风险预测结果。本文的研究结论能够为学习者学习效果的改善、教师授课方案的制定、线上学习平台的优化等提供适用性建议。