2020年初,随着我国新冠疫情的爆发和蔓延,全国各地高校授课均受到严重影响,通过网络教学模式取代传统教学的模式已经成为疫情之下的必然选择。目前,我国拥有众多在线公开教学平台,均能够实现教师在线为学生教授课程的功能,但是网络教学依然存在不足之处,如教师很难观察到学生的学习状态从而及时辅导学生的课堂功课等弊端,这些问题会间接增加教师掌握学生学习情况的难度,在这种背景下,分析并提高网络教学效果一直是教学研究的热点问题。在网络教学情况下,为了让教师能够及时追踪学生的学习行为和学习状况,本文提出一种整合性的分析算法。借助此算法,教师可以利用现有的学习记录文件,通过多个观察维度分析出学生的学习行为。此外,该算法利用C5.0决策树算法分析预测出可能达不到预期教学目标的学生,让老师可以及时给予适当的教学辅助,以达成教学目标。本文的研究内容主要包括以下两个方面:1.基于C5.0决策树提出一种学生学习成绩预测的算法。该算法通过学生学习行为因子数据表,确定决策树的输入变量和输出变量。然后,将所有样本随机划分为三个数据集,分别用于训练、测试和验证,据此分析学生学习行为特征,从而为学生成绩预测提供算法依据。C5.0决策树算法分别建立了三个与学习记录分析相关的数据库:学生学习记录数据库、学生学习类型数据库、教学决策支持数据库。此外,通过对本研究产生的决策规则结果进行分析,其中主要分为以下三个部分:第一,针对第五学期及第六学期的各门课程找出学生的各种学习行为属性与学习成效之间的决策规则,并对产生的决策规则加以说明。第二,为了验证找出的决策规则,本研究用不同学期的同一课程作为验证的对象,并使用第五学期、第六学期以及第七学期的数据分别作为训练数据与测试数据,以决策树分析中的训练错误率以及测试错误率作为验证的指标,以试图通过不同的时间单位来找出最佳的预测时间点,也用不同的成绩等级分类方式试图找出最佳的成绩分类方式。第三,将分析对象区分为整体的学生、高分群的学生以及低分群的学生。2.基于C5.0决策树构建的学生学习成绩预测决策树对学生的学习情况进行分析和讨论,并针对数据分析结果给出具体的教育指导意见。本研究通过处理这些异质的大规模学习记录,从不同课程下课程属性与决策规则的关系、不同时间单位下各时间点与决策规则的关系、不同成绩等级分类方式与决策规则的关系、不同时间单位下各时间点与高分及低分预测效果的关系、不同成绩等级分类方式与高分及低分预测效果的关系等角度分析学习记录信息,对学生的学习行为进行分类,最终达到根据学生目前的学习情况预测出学生潜在的学习效果的目的。