“互联网+教育”让中国教育正在步入一场基于信息化技术的伟大变革之中,MOOC是由教育模式与互联网技术相融合而形成的一种教育理念先进、课程资源丰富、教学手段灵活、学习评价多元的全新学习环境。以MOOC课堂为代表的在线学习平台能够实时跟踪学习者的学习行为数据,研究潜藏在行为数据中的有用价值,是一项保障学习者的学习质量的有效举措。因此,对学习者的学习效果进行预测和对学习者的学习行为进行干预是具有非常重要的现实意义。然而,通过研读文献发现相关实证研究较少,这些研究要么对数据指标选取存在片面性或者数据量较少,要么采用的单一预测模型的准确性不高。针对目前研究的不足之处,本文做了以下研究工作:1、结合学习者在英国开放大学在线学习平台VLE的整个学习过程,本文归纳了 7个维度共33个可用于数据分析的相关指标,这些指标不仅仅包含了内容学习行为、测试行为、合作行为和资源搜索行为等人机交互行为数据,还包括了人口背景信息、学习能力、学习态度等其他影响学习效果的特征数据,试图最大限度地采集相关指标。2、对学习者的相关数据进行描述性统计,探讨在线学习是否真正影响学习效果这一基础研究。同时使用多元统计法和机器学习算法等6种单一算法分别建立学习效果预测模型,这些算法分别是多元回归算法、主成分回归、TAN算法、RBF-SVM算法、MLP算法和CHAID算法。结合训练集和测试集,论证了这6种单一预测模型的性能,辨析这些预测模型的优点和缺点。3、针对单一预测模型精度不高、不稳定、无法全面反映行为指标的不足,首先,本文构建了一种自适应的在线学习效果混合预测模型,该模型在对多种单一模型研究的基础上,通过本文设计的自适应算法选举出来的最优组合。然后,通过实证研究发现其准确率高达93%,比单一预测模型高8个百分点左右。最后本文根据自适应混合模型提出了一种基于在线学习全过程的预警机制,绘制可视化概念图并解释其作用。