類似的，Huang等使用歸納推理(基于相似的學(xué)習(xí))、演繹推理(基于解釋的學(xué)習(xí))和類比推理(案例推理)等多策略機(jī)器學(xué)習(xí)構(gòu)建了黑板多策略機(jī)器學(xué)習(xí)模型，學(xué)習(xí)和發(fā)現(xiàn)學(xué)生學(xué)習(xí)過程中不一致行為的屬性。根據(jù)這些屬性，智能教學(xué)系統(tǒng)可以采取適當(dāng)?shù)姆椒ǚ乐箤W(xué)生不一致行為的再次發(fā)生，例如，加強(qiáng)教學(xué)和實(shí)踐。
Wen和Rosé提出通過點(diǎn)擊流分析確定學(xué)生的行為模式，以便為學(xué)生搜索信息和在線學(xué)習(xí)提供更有效的個(gè)性化支持。該研究分析了與課程成功高低有關(guān)的學(xué)生習(xí)慣性行為，以及情境信息對(duì)會(huì)話的影響。通過挖掘?qū)W生單個(gè)會(huì)話的習(xí)慣性行為，描述了MOOCs中的會(huì)話類型，采用局部6元模型對(duì)學(xué)習(xí)會(huì)話進(jìn)行建模，以支持系統(tǒng)自動(dòng)分配學(xué)習(xí)活動(dòng)和活動(dòng)序列。
也有研究對(duì)學(xué)生的分心行為進(jìn)行了分析，例如，等提出使用機(jī)器學(xué)習(xí)模型來支持智能教學(xué)系統(tǒng)自動(dòng)檢測(cè)學(xué)生的分心行為，數(shù)據(jù)來源于12名小學(xué)生行為記錄的日志文件，方法采用最小二乘法和脊回歸算法。該研究發(fā)現(xiàn)，結(jié)合時(shí)間、表現(xiàn)和鼠標(biāo)移動(dòng)等特征的模型對(duì)檢測(cè)分心行為最有用，而考慮學(xué)生的個(gè)性化也能提高檢測(cè)的有效性;同時(shí)發(fā)現(xiàn)，使用脊回歸算法的模型比使用標(biāo)準(zhǔn)最小二乘法的表現(xiàn)更佳。
3、預(yù)測(cè)學(xué)習(xí)表現(xiàn)
預(yù)測(cè)學(xué)習(xí)表現(xiàn)，一般包括預(yù)測(cè)學(xué)生的最終分?jǐn)?shù)或?qū)W術(shù)表現(xiàn)等，主要影響因素包括人口特征、分?jǐn)?shù)(平時(shí)測(cè)驗(yàn)和最終成績(jī))、學(xué)生學(xué)檔、多模能力、學(xué)生參與、活動(dòng)的注冊(cè)和參與以及情緒情感狀態(tài)等。有些研究通過分析學(xué)生數(shù)據(jù)直接預(yù)測(cè)學(xué)習(xí)結(jié)果。例如，使用機(jī)器學(xué)習(xí)回歸算法，對(duì)學(xué)生少量寫作任務(wù)的分?jǐn)?shù)和學(xué)生的關(guān)鍵人口特征數(shù)據(jù)進(jìn)行分析，以預(yù)測(cè)學(xué)生的成績(jī)。研究實(shí)驗(yàn)分為兩個(gè)階段，其中，訓(xùn)練階段使用收集的數(shù)據(jù)來訓(xùn)練算法;測(cè)試階段使用收集的10組數(shù)據(jù)來檢測(cè)算法的精確度。
San Pedro等將學(xué)生知識(shí)、學(xué)生情感和行為的細(xì)粒度模型，應(yīng)用于3747名學(xué)生的數(shù)據(jù)分析來理解學(xué)生學(xué)習(xí)的發(fā)展和投入，以預(yù)測(cè)學(xué)生能否考上大學(xué)。該研究開發(fā)了一個(gè)邏輯回歸模型，并且發(fā)現(xiàn)，學(xué)生投入和學(xué)生成功的特征組合作為預(yù)測(cè)指標(biāo)，可以辨別出將考入大學(xué)的學(xué)生。
類似的，Hachey等使用二元邏輯斯蒂回歸算法，對(duì)962名學(xué)生的先前在線課程結(jié)果和GPA進(jìn)行分析，來預(yù)測(cè)學(xué)生完成在線課程的成功率。其中，先前在線課程結(jié)果和GPA作為自變量，在線課程成功率作為因變量。在二元邏輯斯蒂回歸模型中，GPA作為連續(xù)變量。該研究結(jié)果發(fā)現(xiàn)，先前在線學(xué)習(xí)體驗(yàn)作為預(yù)測(cè)指標(biāo)比GPA能更好地預(yù)測(cè)成功率。
也有研究對(duì)學(xué)習(xí)表現(xiàn)的影響因素進(jìn)行了分析。Firmin等米用邏輯回歸，基于三門MOOCs課程分析了學(xué)生及格與學(xué)習(xí)努力程度和個(gè)人基本特征的相關(guān)性。該研究采用二元邏輯斯蒂回歸算法，發(fā)現(xiàn)學(xué)生的努力變量是學(xué)生及格唯一有效的預(yù)測(cè)指標(biāo)，如，登錄次數(shù)、學(xué)習(xí)時(shí)長(zhǎng)和完成作業(yè)情況等，與學(xué)生基本特征無關(guān)，如，性別、年齡和家庭收入等。
4、預(yù)警失學(xué)風(fēng)險(xiǎn)
綴學(xué)率一直是教育管理領(lǐng)域的重要指標(biāo)。機(jī)器學(xué)習(xí)方法能夠?qū)W(xué)生數(shù)據(jù)特征進(jìn)行分析和歸類，分析學(xué)生綴學(xué)原因，預(yù)測(cè)綴學(xué)行為。雖然教育管理部門存有大量的學(xué)生數(shù)據(jù)，但是由于缺乏適當(dāng)?shù)臄?shù)據(jù)或受數(shù)據(jù)隱私性限制，預(yù)警失學(xué)的定量研究相對(duì)較少。
例如，Thammasiri等和Lauía等基于大量的真實(shí)學(xué)生數(shù)據(jù)對(duì)學(xué)生的學(xué)術(shù)成功展開了研究。其中，Thammasiri等使用機(jī)器學(xué)習(xí)技術(shù)對(duì)長(zhǎng)達(dá)七年、特征豐富的真實(shí)學(xué)生數(shù)據(jù)進(jìn)行分析，來預(yù)測(cè)新生是否會(huì)在第二個(gè)學(xué)期注冊(cè)繼續(xù)學(xué)習(xí)。該研究比較了不同的數(shù)據(jù)平衡技術(shù)來提高少數(shù)類的預(yù)測(cè)準(zhǔn)確度，其中包括過抽樣算法、欠抽樣算法和合成少數(shù)類過抽樣算法，并連同邏輯回歸、決策樹、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等四種流行的分類方法，構(gòu)建預(yù)測(cè)模型來進(jìn)行比較。研究結(jié)果發(fā)現(xiàn)，支持向量機(jī)結(jié)合合成少數(shù)類過抽樣算法數(shù)據(jù)平衡技術(shù)是表現(xiàn)最佳的分類器，三個(gè)數(shù)據(jù)平衡技術(shù)都能提高少數(shù)類的預(yù)測(cè)準(zhǔn)確度。在開發(fā)的模型中應(yīng)用靈敏度分析，能夠?yàn)閷W(xué)生流失的準(zhǔn)確預(yù)測(cè)識(shí)別出最重要的變量。這些模型的應(yīng)用能夠預(yù)測(cè)高危學(xué)生，開發(fā)有效的干預(yù)方法來減少學(xué)生的失學(xué)率。
類似的，Lauría等使用數(shù)據(jù)挖掘方法檢測(cè)學(xué)生的學(xué)術(shù)危機(jī)來提高大學(xué)生的保留率。該研究的數(shù)據(jù)挖掘模型基于監(jiān)督式學(xué)習(xí)技術(shù)，用來區(qū)分表現(xiàn)好和不好的學(xué)生。研究的方法框架包括收集數(shù)據(jù)、轉(zhuǎn)化數(shù)據(jù)、分割數(shù)據(jù)、平衡訓(xùn)練數(shù)據(jù)、構(gòu)建預(yù)測(cè)模型和使用測(cè)試數(shù)據(jù)評(píng)價(jià)模型。在構(gòu)建預(yù)測(cè)模型階段，該研究方法選用了三個(gè)分類器作比較：邏輯回歸、支持向量機(jī)和C4.5決策樹。數(shù)據(jù)來自四個(gè)不同數(shù)據(jù)源的3877條記錄：學(xué)生履歷數(shù)據(jù)和課程相關(guān)數(shù)據(jù)、課程管理事件數(shù)據(jù)和Sakai成績(jī)單數(shù)據(jù)。研究結(jié)果發(fā)現(xiàn)，邏輯回歸和支持向量機(jī)算法比C4.5決策樹能夠更精準(zhǔn)地分類。