近年来,在线学习系统越来越普及,教育者在线教学的过程中需要同时面对的学习者越来越多,追踪每个学习者的知识状态并提供个性化的学习指导成为巨大的挑战。另一方面,在线学习系统中学习者是通过各种冗余信息自我查找知识,导致学习资源和学习路径的选择多样化却不一定有效。为了解决教育者和学习者面临的上述问题,引入知识追踪模型自动追踪学习者学习过程既可以向教育者反馈学习者知识掌握情况,让教育者更了解每个学习者;也可以推断学习者的知识弱点,向学习者推荐合适的学习路径和学习资源。本研究通过2008—2018年相关文献的内容分析,梳理了知识追踪模型的发展和存在的问题,并从学习者、数据两个层面归纳模型在预测精度、教学应用存在的问题。在此基础上,以KDD Cup 2010教育比赛数据集为载体,实施改进知识追踪模型的数据建模和具体应用分析。首先构建遗忘知识追踪模型对比分析其和原始知识追踪模型的预测精度,探索遗忘知识追踪模型使用学习者所有数据与部分数据的预测准确性差异;其次基于学习者初始概率和学习概率不同构建个性化知识追踪模型追踪学习者的学习差异;然后根据不同分段依据构建分段个性化知识追踪模型对不同分段学习者学习参数进行迭代调控来对比显示分段模型的效果;最后具体分析知识追踪模型在学习环境中的应用。实验结果表明:(1)知识追踪模型中融入遗忘和数据量因素对模型预测精度有积极影响;(2)知识追踪模型中对学习者学习参数的个性化处理及分段调控操作能提升模型预测精度;(3)知识追踪模型可以进行学习者成绩预测和学时估算。文章最后对本研究依然存在的问题进行了总结梳理,并指出进一步探索的研究方向,具有一定的实践意义。