【摘要】在混合课程中收集学生学习过程数据，构建学生成绩预测模型，可辅助教师动态调整教学策略。目前混合课程场景下，学生成绩预测研究很少应用于实践的瓶颈问题之一是预测模型难以从构建场景中迁移到其他场景。本文梳理了混合课程学生成绩预测模型迁移时，影响预测结果准确率的因素，包括构建预测模型的结果准确率，具体场景下混合课程训练样本的特征，机器学习算法数据处理方式及目标课程的特征。使用A校两学期所有混合课程数据构建了成绩预测模型并将其迁移应用到B校的案例课程中连续观察三学年后发现：(1)使用样本规模较大，特征值的完整性和数据可变性较强的数据获得的成绩预测模型具有较强可迁移性，研究显示“高活跃型”混合课程符合这些特征；(2)增量学习方法和批量学习方法都可构建具有较高预测结果准确率(超过70%)的成绩预测模型，增量学习方法更有助于成绩预测模型的迁移应用；(3)在模型迁移应用时，增量学习数据处理算法构建的模型可得到更高的预测结果准确率，且应用目标课程与“高活跃型”混合课程的学生在线行为数据分布相似时，预测结果准确率较高。上述研究发现为混合课程场景下学生成绩预测模型的迁移提供了实证基础和基本思路。