虽然在线学习系统可以有效地帮助学习者摆脱时间、地点等条件的限制进行学习,但是由于学习者在学习风格、学习偏向、学习优势等方面具有个体差异,因此会导致学习者产生不同的学习行为模式,而这些不同的学习行为模式可能会影响最终学习效果。目前的在线学习平台的学习过程数据采集因为缺乏足够的特征点,使得学习者的在线学习行为数据同质化严重,不仅无法有效的与最终学习效果关联起来,而且还会导致学习效果的不可预测。为了更好的发现学习者在学习过程中可能存在的问题以及这些学习行为对学习效果的影响,本文通过研究SPOC平台上的在线学习数据,得出了在线学习平台会因为提供的“无差别”服务会导致学习者产生知识建构的差异,而且单一的用户学习行为数据标签是无法准确预测学习者的学习效果的结论。该结论意味着采集在线学习行为差异化数据是非常有必要的,因此,本文利用Felder-Silverman学习风格模型作为采集差异化行为数据的依据,采集了4维的学习行为数据,采用粒子群算法优化后的贝叶斯网络对学习者阶段性学习效果进行预测。实验结果显示在获得部分学习行为数据的前提下,本文设计的预测评估模型能获得对学习者学习效果较好的预测效果,为智能学习系统可提前预判学习者学习风险并提供学习干预措施成为了可能。实验的结果同时也解释了由学习风格偏向性带来的学习行为差异以及学习行为与不同知识点之间的关联,为进一步设计更智能的在线学习平台提供了依据。