“有教无类”和“因材施教”是教育行业长久以来追求的目标,如何能够以更低的成本、将更高质量的教育资源覆盖至更多的群体,针对不同的人群提供更加富有针对性,更贴合实际的个性化教学方案,是教育从业者一直在努力的事业。经过数十年的发展,人们对于互联网教育的期待已经由最开始的教育资源的信息化和资源共享的平权化,发展为对教育资源的优质化和教学效率的智能化。教育从业者及互联网从业者,正在不断研究和时间,互联网技术在解决教育资源共享的同时,进一步提升教育资源的质量和教学的质量,让学员能够获取更好的教学资源,更高效率、更贴近自身情况的进行学习。贝叶斯网络模型是一类可以强有力的用来表达各种不确定性和科学知识的网络模型方法,也正是因为它的这类模型特点使得它成为一个具有代表性的数据挖掘和分析工具。近些年来,随着人工智能热潮来袭,贝叶斯网络成为了诸多学者研究的对象。其中在互联网教学中,由于每位学员的学习情况都大不相同,因此针对每位学员制定相应的学习计划十分困难,但利用贝叶斯网络的特点可以准确的了解每位学员的自身情况,并进行相应的科学分析,再对其进行分类与学习评估,最后根据以上步骤得到的结果进行个性化的学习方法推荐。本文针对现代互联网教育学习的学习过程和评估方式主要做了以下三个方面的工作:(1)针对课程内课件的学习与考核,提出了基于课程组织与评测结果统计课件通过率以及课件之间的知识关联关系的方法。首先,通过组织课前综合测试、学前小测、学后小测三个主要评测方法建立相应的统计模型,并基于贝叶斯公式进行在线推断出最适合学生学习的下一课件。实验结果分析表明,使用该方法模型可以在线实时调整下一课件的有效推送度,提高用户学习效率。(2)针对不同课程之间评价对比,提出了基于贝叶斯评价课程学习能力的方法。首先,以该课程的历史评测结果和用户的课前综合测试估算出用户学习能力得分;然后在用户学习中,根据首次测验与学后测验结果在基于贝叶斯公式的前提上对学生的学习能力进行实时修正其得分。从实验结果得知,贝叶斯网络的引进可以有效提高评价课程学习能力的精确度。(3)综合两个方法设计了一种可提高用户学习效率与课程学习评价方式的个性化学习模块。基于前两种方法进行课件学习数据与评价指标统计数据的收集,对收集的数据灵活的选择不同的达标评价方案,或者基于先验知识对已采集的数据判断理论上的达标线,之后根据数据的特性对达标线进行分析与调整,最后得到理想的评价方案。本文应用工具创建和评估基于贝叶斯实现个性化学习模块。研究结果表明本文提出的个性化学习模块可以根据实时情况不断修正与完善上一次制定的适合用户学习完该课程的最佳路径。