本论文基于网络学校学习管理系统(LMS)和网络日志数据,面向网校提高教学管理效益的实际需求,开展了在线学习数据分析的综合性研究。研究分理论研究与实证研究双线展开。理论研究方面提出了基于贝叶斯网络的隐马尔柯夫过程逻辑斯蒂回归模型,以解决学习沉淀预测中静态协变量与动态行为序列隐变量相结合的复杂建模问题。并给出了参数估计过程,讨论了模型参数的方差估计和模型评价方法。在实证研究方面,首先是在线学习的特征提取与分析研究,通过数据挖掘的方法提取了沉淀学生与标杆学生的评价要素,明确了影响网校运营与学生学习绩效的重要问题是沉淀学生的识别与预警,建立了网络学习沉淀预警指标体系。继而深入研究了网络学习沉淀预警模型的构造方法与优化模型。先是基于传统逻辑斯蒂回归结合关键评议要素的观测变量构造了网络学习沉淀静态预警模型,可实现早期和中期的退学与学习低效预警。但早期退学预警静态模型准确率并不理想,引入“上网学习积极性”行为状态变量后准确率有所改善,可仍不能支持动态预警。最后采用理论研究的建模方法,引入基于贝叶斯网络的隐马尔柯夫过程回归,实现了具备不同“上网学习积极性”行为序列特征的分层回归,准确、动态预警了早期退学风险,以实际效果验证了理论研究结论的有效性。本研究的应用价值在于:不仅为满足网络教育机构早发现、准识别、早预防学生沉淀的行业共性需求,为沉淀预警动态模型的持续改进打好了基础,也为解决类似的复杂行为预测问题提供了最新的理论模型、计算方法和应用范式。为推动互联网+背景下的大数据应用提供了有力的理论支持和方法工具。本研究的创新性主要体现在基于贝叶斯网络的隐马尔柯夫链过程逻辑斯蒂回归模型的理论创新与应用创新。在理念创新方面:基于网络学习行为预测的应用,提出了一个4节点3边3层的贝叶斯网络,给出了求解模型的复合似然函数;并将中层节点与隐马尔柯夫过程、回归模型相结合,解决了网络行为预测中的回归隐变量为离散动态序列而影响估计的问题。继而具体结合隐马尔柯夫过程过程的逻辑斯蒂模型,给出了参数估计和模型评价方法。在应用创新方面:首次在学习分析领域引入贝叶斯网络隐马尔柯夫过程模型来预测学生沉淀行为,较好地解决了网络学习行为序列复杂多变、难以观测、难以预测的问题,研发出了一系列网络教育机构适用、实用的方法与模型。