随着教育数据挖掘和人工智能的发展,利用在线学习行为数据评估学生表现已成为趋势。教育数据挖掘技术是支持在线教学研究发展的重要技术手段,极大地推动了教育教学改革,受到国内外学者的广泛关注和研究探索,但利用教育数据挖掘技术对在线学习过程中的学业拖延现象进行诊断和预测的研究相对较少。学业拖延是在线学习过程中的重要行为表现之一,往往对学生的在线学习效果产生消极影响。因此针对在线学习过程中的学业拖延问题,本文对学生的学业拖延倾向进行有效预测,动态诊断学生的拖延倾向,从而及时干预并帮助改正,以期提高学生在线学习效果以及学习成绩。本研究以某大学在校大学生的在线学习行为日志数据为研究对象,构建学业拖延预测模型,开展在线学习学业预测研究。（1）首先从时间管理、自我调节、学习准备三个维度构建基于综合指标的在线学习学业拖延模型,选取10个在线学习行为变量作为分析学生学业拖延的特征变量。通过聚类分析方法得到三类学生:严重拖延学生、一般拖延学生和积极学习学生,分析学业拖延与学业表现之间的密切关系,并基于学业拖延模型对学生拖延行为进行预测。研究发现不同拖延程度的学生群体特征差异明显,严重拖延学生完成学习任务时拖沓且学习成绩表现差,积极学习学生学习交互性高且成绩突出。本文构建的基于综合指标的学业拖延预测模型能较为有效地预测学生拖延倾向。（2）基于以往学业拖延相关研究以及上述基于综合指标的学业拖延预测过程中,发现良好的时间管理能力对于改善学生拖延具有重要意义,且部分在线学习平台不能详尽收集多维度综合指标。鉴于以上现实情况本文从学生时间管理角度出发,构建基于时间管理的在线学习学业拖延预测模型,利用特征工程方法将在线学习任务完成时间表示为结构化的特征向量,将学生任务完成时间进行One-Hot编码,基于时间管理能力对学生拖延倾向进行有效评判。使用K-means算法分析学生拖延表现,将学生标记为拖延学生和非拖延学生,运用八种预测方法进行学业拖延预测,并评估不同预测方法的性能。研究弥补了部分在线教育平台数据获取不足的缺陷,使预测过程更具有普适性,另外还发现基于在线学习任务完成时间的学业拖延预测模型对于预测学生拖延具有良好性能,预测准确率大部分在90%以上。本文的研究成果能够为在线学习者提供一定警示作用,改善学生拖延现象,激励学生保持学习积极性和主动性以提高学习绩效。