在“互联网+教育”时代,随着数据分析和信息科学的迅猛发展,在线课程在整个教育周期内得到了全面的推广和普及。学习者再也不受时间和空间的制约,可以随时随地被授予高质量教育,学习者的学习形式和受教育模式得以充分扩展。然而,在线课程中,由于学习者之间学习习惯和背景知识的差异,且师生之间缺乏沟通,导致难以实现教师的因材施教和学习者的个性化发展,进而很大程度上影响了学习者的学习效果。另外,日益庞大的学习者规模也加剧了这一现状。而以学习者为中心的个性化学习模型,由于其可以多维度体现学习者之间个性化差异,成为了改变在线课程发展现状的可行性方法之一。当前,以在线课程为应用情景,大部分个性化学习模型普遍关注学习者的学习行为特征,通过分析行为特征为学习者进行个性化的学习诊断,忽视了学习行为与学习绩效间的因果关系挖掘,以及知识状态中知识点重要性的个性化发现。本文针对上述不足进行研究,旨在通过挖掘学习行为与学习绩效间的因果效应以及知识点的个性化重要性,为个性化学习模型的研究提供强有力的支持,并为在线课程的建设和发展提供参考和决策支撑。本文的主要研究工作如下:1)根据课程论坛中的学习交互数据,通过“反事实”因果推断评估学习交互以及不同交互方式的强度对学习绩效的因果效应,缓解了回归模型的内生性和样本自选择偏误对结果的影响,在一定程度上调和了现有研究中的分歧。2)从学习测评数据中自适应生成具有多种类型节点的个性化知识图,该图不仅可以将学习者和知识点链接到一个统一的图中,而且可以捕获知识点间的结构以及学习者对知识点的掌握情况。在此基础上提出了一种基于随机游走的排序方法,该方法用于计算每个学习者的知识点重要性,游走时可以同时考虑学习者对知识点掌握和理解的差异,以及知识点自身难度的差异。根据学习交互与学习绩效的因果效应,作者在一个真实数据集上进行了大量实验,实验结果表明,本文提出的知识点重要性发现方法与其他相关基线相比具有优势,证明了模型中学习者组件和难度水平组件的有效性。3)以上述研究成果为基础,从实际应用的层面出发,设计并开发了一项个性化学习原型系统。该系统以在线课程中学习者的线上行为特征和学习测评数据为数据来源,实现了本文的两类研究,即行为间的因果效应推断和计算知识点的个性化重要性,并实现了知识点重要性的聚类分析。该系统将相关结果可视化,为教师提供决策支持;并准确分析学习者的知识状态,使得在线课程中学习者得到个性化发展。