混合式教学结合在线教学和线下教学的优势,在一定程度上打破时空的限制,体现了“以学生为中心”教学范式的转变。伴随着混合式教学规模的扩大,如何通过学习者学习行为数据来分析和挖掘出有用的信息,帮助学习者提高学习效率,改善教师教学水平和质量,成为迫切需要解决的问题。针对上述问题,本文对学生在混合式教学过程中产生的学习行为数据进行分析和挖掘,构建了学习行为数据分析-特征选择-Stacking融合的学业预测模型分析。主要工作如下:首先,在混合式教学的研究中,学者大多都致力于课程的设计和改进,忽略了对学生行为数据的统计、分析及学业成绩的预测。故本文对学生在混合式教学过程中产生的学习行为数据,包括课堂、课后行为等数据进行了统计和分析,讨论了学习行为数据所反映的学生学习习惯,最后通过特征相关性分析和特征重要性排序找出了对学生学业水平影响较大的特征,从而最大程度地保留有效特征,避免数据损失。其次,本文创新性地提出将Stacking融合模型应用于混合式教学中学生学业水平的预测。在构建Stacking融合模型过程中,为摆脱基模型准确率对融合模型产生的影响,利用决策树、随机森林、极限梯度提升作为模型,用三种算法分别建立学生学业水平预测模型,通过混淆矩阵对模型评估,选出适合融合的两个基模型进行融合;经实验分析,直接使用数据得到的预测准确率相对较低,故以两个模型中表现较好的模型对数据进行特征重要性排名,结合特征相关性进行特征选择,过滤冗余特征;特征选择后依次在随机森林、极限梯度提升和Stacking融合模型上进行实验,并对模型参数调优。实验表明通过特征选择与Stacking融合模型的结合,经交叉验证后模型准确率相较于特征选择前的随机森林模型提高了3.6%,极限梯度提升模型提高了2%,Stacking模型也提高了0.8%。可见选择表现较好的特征和基模型进行行为分析和选择,可以保证算法的准确性和优越性。最后,构建学生个人画像。以学生各类行为数据和基本信息建立标签集合,对学生各类数据进行分析,检测学生学业异常并及时预警,为师生提供个性化的服务。