2012年MOOC的迅速崛起吸引了全球大量的学习者,为全球学习者提供了极大的便利。MOOC的低注册成本带来的是高用户量,随之而来的是低证书获取率和高学习风险。基于聚类的离群点检测的思想是把数据集分成若干个簇,不属于任何簇的就是离群点,那些孤立于簇外的学习者就是离群学习者。在线教育中的离群学习者的行为表现和学习结果与正常学习者不同,MOOC学习者中有一部分人学习积极性高,但由于种种原因没有拿到证书;另一部分学习行为较少,但却拿到了证书。如何找出这类离群学习者,并分析他们为什么离群,与正常学习者相比不同在哪里,并对他们的学习风险进行预测,这些问题的研究对MOOC的发展以及在线学习者有较大的意义。本研究构建了MOOC离群学习者分析-预测模型,它以ed X平台的一门课程为例,基于python语言,利用机器学习算法在准确检测离群学习者的基础上实现了MOOC离群学习者的分析与学习风险预测,主要工作如下:(1)首先,对ed X数据集,按照课程和类型分类,对不同课程学习者、不同类型学习者的年龄、学历、性别和国籍进行了分析。(2)构建了离群学习者分析与预测模型,利用三种基于聚类的离群点检测方法检测MOOC离群学习者,并进行比较,最终选择了效果最优的DBSCAN,保证了离群的准确性。(3)把机器学习算法引入离群学习者的分析,对检测出来的离群学习者,利用基于关联规则的离群属性分类算法,找出了每一位离群学习者的离群属性或属性集,即是因为该属性导致的离群,解释了他们为什么跟正常学习者不一样。(4)对于离群学习者学习风险预测,比较了三种机器学习分类算法对该数据集的模型效果,最终选择了决策树算法进行建模,模型能以0.967的准确率来预测离群学习者证书获取的风险。综上所述,该模型能以较高的准确率检测离群学习者和预测离群学习者的学习风险,为MOOC离群学习者的研究做出了探索,对MOOC建设方、授课教师以及离群学习者提供应用建议。