核支持向量机模型预测的推理机制是，判断新加入学生的在线学习行为数据与模型中在线学习行为数据的一致性，从而获得对该学生成绩的预测。在该模型构建过程中不同批次输入的数据所产生的错误会逐步累积，

用当前研究中常见的五种机器学习算法构建学习成绩预测模型，分别是逻辑回归、多层感知器、随机森林、多核支持向量机和朴素贝叶斯。在构建学习成绩预测模型的过程中，记录算法输出的中间结果作为解释模型的依据。

解释技术是指分析、诊断和可视化机器学习过程的技术和方法（Vidovic,2017,p.18）。这些技术和方法对应解释框架的每个方面。

解释框架是解释特定模型时必须解释的内容。预测模型的解释框架由以下三部分构成：预测模型结构的解释，预测模型内在推理机制的解释，以及预测结果的解释（Murdoch,et al.,2019）。

预测模型早期的可解释性主要通过事前的数据分布假设和建模时人工限制模型的复杂性来保证（Lei,et al.,2018）。

学习分析旨在通过理解人是怎样学习的，实现对学习的适应性设计。

其原因之一，是教育场景的复杂性与多样性，难以抽象出通用模式对数据作通用性解读。学习分析所做的数据挖掘，需要将数据结合具体教育场景进行解读。

5G与人工智能技术的发展，为学习分析的发展提供了广阔前景。

但 同 时 我 们 需 要 注 意 到，学 习 分 析 技 术 目 前 还 存 在 着 缺陷，也 面 临 着 诸 多 挑 战，包 括 隐 私 问 题、准 确 性、信 息 共 享 和数 据 管 理 等 方 面[55]：

目 前，有 诸 多 工 具 可 用 来 进 行 话 语 分 析。例 如，the Digi-tal Research Tools Wiki可 对 话 语 和 文 本 进 行 分 析[28]；Wordleand Tag Crowd可 对 文 本 分 析 内 容 进 行 可 视 化；NVivo可 对 文本 内 容 进 行 定 性 研 究；WMatrix则 可 对 文 本 内 容 进 行 定 量 研究[29]；Cohereis可 用 来 对 网 上 交 流 的 内 容 进 行 结 构 化[30]；OpenMentor工 具 可 用 来 对 学 习 反 馈 信 息 的 质 量 进 行 了 分 析、可 视化 和 比 较[31]。

话 语 分 析 法 是 对 学 习 过 程 中 的 交 流 过 程 进 行 分 析 的 方法。

运 用 社 会 网 络 分 析 法，不 仅 可 以 用 来 探 究 网 络 学 习 过 程中 的 联 系（ties）、关 系、角 色 以 及 网 络 形 成 的 过 程 与 特 点，还 可以 了 解 人 们 如 何 在 网 络 学 习 中 建 立 并 维 持 关 系 从 而 为 自 己的 学 习 提 供 支 持[25]。