在科技迅速发展的今天,信息技术与教育教学的不断融合促进了教育信息化的快速发展,也使得教育相关数据的收集更加高效而丰富,从学生的管理系统到智能导学系统,各类学习平台都积累了海量的教育数据。而常见的在线学习系统有着众多的活跃学生,他们在平台上交流与讨论、观看视频或者参加测试,一切在线学习活动都记录在日志文件中,但是教育工作者难以从庞大的原始数据中获得有价值的知识。基于以上研究背景,本文利用数据挖掘为工具,探索包含在线学习行为的数据背后的信息。通过对比和总结不同学业表现的学生和在完成不同难度题目中行为模式,了解学生在ALEKS平台上学习过程的差异。研究结果能够为在线学习平台设计者、教学资源管理者和教师等进行教学改进提供科学的决策依据。首先介绍了教育数据挖掘和在线学习行为分析的相关研究,然后对隐马尔可夫模型进行介绍,总结利用隐马尔可夫模型分析在线学习行为数据的相关研究,后续详细介绍本文所使用的建模方法,即两层隐马尔可夫模型的特点和优势。然后利用两层隐马尔可夫模型建模不同学业表现的学生和在完成不同难度题目中学习行为。结果显示高学业表现的学生表现更多有效的学习行为,并能够从系统提供的解释中受益,而低学业表现的学生倾向于连续答题错误且不主动寻求解释,并难以理解系统提供的题目解释。另外学生在完成简单题时表现出更多有效学习行为。最后通过抽取的不同的训练集获得不同的两层隐马尔可夫模型,利用已得到的两层隐马尔可夫模型计算相应测试集中每条行为序列的潜在状态概率,每个测试集中的行为序列的潜在状态概率都能够很好预测学业表现,从而说明两层隐马尔可夫模型能有效抓取的学生行为模式。总之,本文利用两层隐马尔可夫模型挖掘学生在线学习行为,探究不同学业表现的学生以及在完成不同难度题目的行为模式特点,然后验证了两层隐马尔可夫模型所提取的行为模式能够体现学生的学习过程,并较好的预测学生的学业表现。本文的研究结论能够为在线学习平台的管理和改进、教师教学策略的设置等提供良好的参考意见,以提高学生的学习体验从而更好的帮助学生学习。