后疫情时代下,线下教育遭受不同程度打击,随着互联网的普及和人工智能技术的发展,正在深刻地改变着教育创新的方向,打破了线上与线下的藩篱,使得在线教育模式异军突起。伴随着教育方式的改变,如何评价在线教育的成效就成了一个亟待解决的问题。学生在整个学习过程中会积累大量的数据,通过数据挖掘手段探究这些数据之间的关联规律就是很好的解决办法。成绩预测作为教育数据挖掘的热门研究领域之一,其目的就是为了预测学生学习状态或者学习效果。在线教育规模的不断扩大、形式不断翻新、授课方式灵活多变,使得教育管理者很难及时得到教学反馈并进行教育干预,严重的还会影响学生的发展和在线教育的发展生态。如何构建高效准确的成绩预测方法成为了具有重要的应用价值和意义的研究方向。以陕西某开放大学的在线学历教育为切入点,在理论研究阶段,通过文献分析,分别从社会特征群体属性、个体属性、学习行为三个方面结合经典的理论、模型入手,梳理了关于成绩预测的国内外研究现状。通过分析该校86000余名学生的数据信息,研究预测学生的期末成绩,提出一种改进的聚类模型和两个预测模型,主要工作和创新有:1.对该校在线学历教育学生的多源数据进行整理、集合和预处理,从中分析学生的行为和属性特征,提取有效的行为特征,结合在线学历教育的实际情况对k-means算法进行优化并进行聚类,进一步提升了聚类的准确性和有效性。2.利用前期数据分析阶段的工作,确定影响期末成绩的影响因素,通过优化后得到的聚类中心,作为神经网络的中心,进而优化RBF神经网络,使其作为成绩预测模型,通过实验证明优化后RBF神经网络预测模型的准确性和有效性。3.提出一种基于前置课程的“学期前”学生期末成绩的预测方法,主要是利用了学生之前已经完成的一些“过去的”课程信息来预测新学期的课程期末成绩,有效地利用了不同课程之间的关联性和学生以往的学习状态和学习成绩,采用了多示例多标记学习方法来进行预测。该方法和前面的方法互为补充,可以在课程开始前来进行课程成绩的预测,使得预测成绩时效提前,更具前瞻性。