网络学习中会形成大量的学习者活动数据,这些数据可以生动的描绘出学习者的学习情况,绘制出清晰的学习轨迹,从而反映学习者当下的思维状况与学习需求。如何根据学习者行为特征,在海量的学习者行为数据中甄选出影响绩效表现的高贡献学习者行为特征,并分析不同类别学习者的学习倾向,发现每个环节中的不同类型低绩效学习者的学习需求,挖掘出“有效果”“可量化”的干预措施,开展精准干预和个性化指导,从而帮助教师有针对性的教,学生更个性化的学,是亟待解决的实际问题。随着数据科学在SPOC教学实践领域的深度融合应用,许多研究者在面向教学的具体过程中对SPOC展开了理论探讨和实证分析,验证了模式的有效性和其对学习者学习效果的积极促进作用。然而过程中对学习者的学习行为特征和学习绩效间的复杂相关性以及精准施教等问题仍有待进一步探索。因此,本研究在已有的研究基础上,开展的研究工作有如下3个方面:1.SPOC环境中学习数据获取与学习者差异分析。通过对案例课程教学过程的设计和实施,获取学习者全过程的学习数据。在国内外在线学习者行为数据分析研究的基础上,根据研究实际情况,通过对案例课程教学的设计与开展,借助课程平台模块,收集学习者全周期的学习过程数据。在国内外在线学习行为分析研究基础上,结合研究实际,对行为数据的各字段信息进行分类和编码,并使用相关性分析和回归模型对学习者绩效有高贡献的特征进行提取。以学习者的学习行为特征为切入点,运用类型学中的聚类实证分析方法,将学习者划分为几个独立的集群,再基于不同集群的特征表现为每个集群定义,最后对学习者之间的行为偏好和绩效差异进行了深度分析。2.SPOC环境中教学干预量化分析与学习需求发现。借助特征工程构建对目标变量具有有效预测能力的输入特征空间,通过算法对比选择,构建高置信度、高泛化能力的绩效预测模型,并应用绩效预测模型在数据层面对低绩效学习者进行教学干预量化分析,进而确定每项高贡献特征对于低绩效学习者的绩效是否有因果关系,提取出干预策略的最优取值,再结合访谈分析的结果,将每类低绩效学习者的学习需求进行整理,用以指导教学干预策略的提出。3.SPOC环境中低绩效学习者的干预策略设计。根据每类低绩效学习者学习需求的整理结果,针对性的提出相应的绩效改善策略,并将策略进一步细化为可执行和量化的干预措施,结合具体的课程设计和教学环节进行设计。研究分析发现:第一,在SPOC环境全过程的学习行为数据可以编码为14个学习行为特征,其中共能够提取出高贡献学习行为特征主共6个,分别是:个人实验学习时回帖的次数（PRN）、在线完成任务时发帖的次数（OTPN）、完整观看课程视频的集数（SVN）、直播时互动的次数（LIN）和在线直播学习的时长（LWT）、提交同一课后任务的次数（OCN）。第二,学习者可以划分为3种类型,分别为:“较活跃型学习者”25人（33%）,“不活跃型学习者”18人（23%）,“高活跃型学习者”34人（44%）。其中“较活跃型学习者”整体表现出最好的绩效水平,“高活跃型学习者”次之,“不活跃型学习者”整体绩效表现相对较差。第三,特征工程和算法综合对比选择能够更好地拟合了学习行为特征和绩效间的复杂相关性,有效提升模型的鲁棒性和泛化能力。梯度提升决策树（GBDT）的综合性能表现最佳。在教学量化干预分析中6个高贡献学习行为特征与学习者的绩效表现均有因果关系,不同类型学习者对于相同特征的敏感性不同。综合访谈分析的结果发现,三类低绩效学习者主要有改善学习动机、学习适应性、学习投入度等方面的需求,提出了动机唤醒策略、监控预警策略和过程反馈策略,并将其细化为了可量化执行的措施。本研究基于数据科学视角,对SPOC全周期中产生的多源数据进行了采集分析,提取了影响学习者绩效表现的高贡献学习行为特征,从学习者学习行为特征出发,将学习者从班级划分到集群,从集群筛选到个体,着眼于微,进行学习者差异分析、教学干预量化和半结构性访谈,明确了不同类型低绩效学习者的学习需求,设计了教学干预策略,进而为低绩效学习者的个性化精准指导提供科学依据,以期为教育工作者在SPOC环境中精准施策,在规模化课堂教学中展开个性化学习支持服务提供方法参考和思路借鉴。