随着校园数字化的快速普及和教育信息化的迅猛发展,各式各样的学生信息呈爆炸式增长。这些数据以学生主动或被动的、知觉或不知觉的形式被记录下来。这数据揭示了学生的情感、态度、社会联系、观点、意图和需求,隐含了巨大的信息。如何从这些海量数据中挖掘出重要信息用于提高教学质量,已经成为教育工作者最关注的方向之一。在大数据的背景下,在教育体系架构中,对学科成绩内在联系的挖掘,和对学生未来学习情况的预测,这两点显得越来越至关重要。一方面,分析学科成绩间的内在联系可以为学校对各个专业的课程设置提供重要的参考依据。另一方面,对于学生未来学习情况的预测可以使教育工作者及时地发现学生问题。若能较早地预测出一个学生未来的学习表现,就可以及时地避免该学生成绩下滑,进而减少挂科现象的发生。基于以上的考虑,本文将目标分为了两个部分:对于课程的关联规则挖掘,和对于学生的表现行为预测。具体主要开展了如下的工作:首先,关联规则挖掘。本文通过关联规则挖掘发现大量数据中项集之间的重要关联或相关联系,通过Aprioir等关联规则相关算法,得到学科成绩间内在联系的分析,并给出结论。其次,利用分类器对学生未来的表现进行预测分类。传统的分类方法有朴素贝叶斯、BP神经网络等。二者各有优点,朴素贝叶斯的性能稳定,而BP神经网络可以将非线性可分问题逐层转化,最终变为可分问题。基于这两个经典模型,本文提出一个新的朴素贝叶斯-神经网络模型,有效地将传统两种模型的优点进行结合,实验结果表明新模型在学习评价领域取得了很好的效果。最后,学习分析评价系统的构建,将分析评价的结果进行展示。教师可以根据所教学生的分析结果了解学生的学习情况,并根据这些结果进行授课调整;学生也可以随时进入系统得到自己的评价及预测,及时弥补不足。系统通过这两种努力来实现学生的个性化培养,提高学校的教学质量。