当前在线学习效果评估主要以测试成绩、评论文本等显式数据为依据,评估模型存在评估依据片面化、忽略学习行为之间的联系等问题。针对这些问题,本文提出并实现了融合隐式反馈数据、基于学习行为频繁项集的学习效果评估模型。论文的主要工作如下:首先,介绍了隐式反馈的相关特点,提出了在线学习环境下的12种隐式反馈数据源,给出了通过JS脚本埋点的方式采集隐式反馈数据的方法,提高了评估数据源的多样性。然后,针对频繁项集挖掘算法在支持度较小时会产生数以万计频繁模式的问题,提出了改进的分组策略,实现了算法的并行化,并给出了在Spark平台上实现的方法,为挖掘学习行为之间联系提供了有效的支撑。接着,根据在线学习场景下隐式反馈数据的特点,给出了数据采集的具体方法,并进行了合适的预处理。采用第3章提出的LBPFP算法进行频繁项集的挖掘,找到学习行为之间的联系,并据此构建了科学合理的学习效果模型。最后,本文实现了融合在线学习学习者隐式反馈数据的评估系统,给出了系统结构图,介绍了数据采集及预处理模块、模型训练模块、效果评估模块这三个主要模块,并展示了系统良好的运行效果。