科技的迅速发展带动着教育信息化的快速发展。在不知不觉中人们的学习方式已经由单一的传统的课堂式的学习方式转变为多样化的学习方式。伴随着各种灵活的教学方式的到来的是大量的教育数据,在这些数据中既包括传统的成绩数据也包括逐步被重视的各种行为数据、以及各种文本数据等等。在过去的一段时间中由于技术等各方面的原因这些教育数据被人们所忽视,但在科学技术逐步前进的过程中,这些数据逐渐被学者们所重视。而学习分析技术就是在这个过程中孕育而生的,并逐渐成为了教育领域中的研究热点。学习分析技术旨在对教育大数据进行挖掘、分析,从而令这些数据服务于学习者、教授者和管理者,对教育教学来讲其意义可见一斑。学习分析技术起源于国外,国内对其的研究相对较晚,于2012年开始逐渐进行研究。但就目前而言研究多为理论层面,应用研究较少。特别是相对一些线上教育机构而言,学习分析技术在各个中小学、高校中的应用更是比较匮乏。为此在学习、研究了学习分析技术的理论知识以及应用实例后,本次研究基于决策树算法、adaboost算法以及topsis评价法,从个性化学习、学习预测干预、学习资源配置三个方面着手,结合当下高校教育现状进行设计了三个实验。实验一通过差异性、相关性分析以及决策树的方法研究个性化因素在某高校全国大学生英语六级与大学英语应用能力测试(口语)考试中的影响,为不同学院、性别的学生提出了个性化的学习策略。实验二使用adaboost算法构建预测干预模型,对某高校城市与地理学院专业学生本科四年专业课的学习情况进行预测,并为预测为“危险”状态的学生提供个性化的补救建议。实验三对某高校免费师范生的学习情况进行分析发现其与非免费师范生相比课业成绩并不占优势,因此在topsis评价法的基础上对其培养方案进行量化评价,并根据评价结果对其课时、学分的设置进行分析,并给以一定的建议。通过以上三个实验的研究一方面确实为具体院校提供一些有价值的建议以及学习分析的模型,另一方面希望可以丰富国内学习分析领域中应用方面的研究,为其他学者提供一些新的思路。