网络学习(E Learning)’‘突破了时间和空间的限制,充分利用多媒体和网络技术,共享学习资源,为学习者提供了更便捷的学习方式和更灵活的学习选择”。随着网络教育的不断发展和深入,许多高校将网络学习作为学生课后自主学习的主要方式,不仅如此,人们也逐渐关注网络教学质量、网络学习评价、网络学习效果等问题。与传统课堂学习的环境不同,网络学习更容易收集学生在学习过程中的一些信息,如注册、登录信息,在线学习时长,学习进度,下载学习资源情况,做题情况,在线讨论交流等信息。但是,就目前而言,人们并没有好好利用这些信息去分析网络学习的效果,为学生提供学习指导,从而进行更深入的教学改革,提高学习的质量。教育数据挖掘(Education Data Mining,以下简称EDM)是数据挖掘技术在教育教学领域的应用,主要用关联规则、分类、聚类、Web挖掘等方法从来自各类教育系统的海量数据中挖掘出有用的信息,这些信息可以供教育系统的各类人员使用,如教师、学生等,提高教育教学管理的决策和学习的绩效。EDM有一个很重要的意义在于指导和改善学习,提高网络课程学习质量。通过EDM技术对学生登记信息、日志文件、交互信息、过程性数据等进行挖掘,找出可能影响网络学习的各个因素及各因素之间的关系,可以为学生提供个性化的学习指导,推荐相关资源及页面,构建有效的学习模式,进行合理的学习评价等,这正是本文研究的目的所在。本文以“考试酷”平台《大学计算机基础》网络课程为例,结合数据挖掘工作,主要做的相关研究工作如下：(1)对数据挖掘的一般过程及数据挖掘相关技术进行了研究,结合网络课程学习,选用了基于网络课程学习的挖掘模型,确定决策树分类、关联规则作为本研究的主要挖掘方法。(2)利用决策树ID3算法对学生在线测试成绩进行分析,通过计算得出“课程资源”属性具有最高信息增益值,成为成绩分析决策树的根节点,并递归计算其他分支,从而生成决策树,对提取的分类规则进行分析和说明,从中找出“做题数量”、“学习方法”、“在线时长”、“课程资源”这些影响成绩的潜在因素,进而改进学习方式,提高网络学习质量。(3)使用关联规则Apriori算法分析网络学习“做题数量”、“学习方法”、“在线时长”、“课程资源”等属性间的相关性,为高效的学习提供保障。(4)教育数据挖掘技术在网络课程上的实践,对累积大量数据的其他网络课程具有一定的推广价值。