人口统计和学习成绩是预测学生綴学的重要数据。例如，Aulck等采用机器学习方法跟踪32500名学生收集成绩数据和人口统计数据，使用逻辑回归正则化、k最近邻算法和随机森林等方法来预测辍学变量，并对学生数据中预测辍学的最佳要素进行了检测。研究结果发现，逻辑回归正则化相比另外两种算法能够提供最有力的预测，并检测出学生流失的个人预测指标，包括数学、英语、化学和心理学课程的GPA以及入学和出生年月等。
5、学习支持和评测
学习支持和反馈是増强在线教育系统个性化和定制化的关键。在学习者与系统交互的过程中，学习支持提供个性化学习服务提高学习表现，或者纠正学生的学习误区。前者是“先发制人”，后者是“亡羊补牢”。例如，Ahadi等将机器学习方法和大学生编程过程中的源代码快照数据相结合，让系统能够在课程入门第一周，就精准地检测出高表现和低表现的学生。该研究首先对特征进行了抽取和选择，然后选择最精确的分类器来检测预测模型。其中，选取了贝叶斯(朴素贝叶斯、贝叶斯网络)、规则学习者(决策表、连接规则和PART)和决策树(AD树、J48、随机森林和决策树)等分类器进行评估，发现决策树分类器的整体准确度最高，而在决策树中随机森林的预测准确度最高，因此，选择随机森林作为分类器来评价学生的表现。
Xing等结合学习分析和教育数据挖掘方法，基于小数据来预测学生在CSCL学习环境中的表现，从而为学生提供相应的教学干预。该研究使用活动理论来整体量化环境中的学生参与情况，并得到六个特征变量，然后使用遗传规划技术来构建预测模型。结果显示，基于遗传规划的模型是可解释的，并且与传统建模算法相比预测率得到优化。
对学习者的领域知识获取、技能发展和完成结果，以及反思、探究和情绪等的监控和评价，也是机器学习研究的重要主题。例如，Kinnebrew和Biswas使用探索性数据挖掘方法，从学生的交互轨迹中评测和比较学生的学习行为。其中，核心方法结合迭代行为抽象和逐段线性分割，迭代行为抽象是区别识别频繁活动模式的序列挖掘技术，逐段线性分割是关于评估表现或进展衡量的活动阶段。研究结果发现，高表现和低表现学生具有不同的阅读行为模式和监控行为。
6、资源推荐
资源推荐通过分析学习者学习记录来预测学习者的喜好，为学习者推荐最合适的资源(内容、活动或服务)或资源序列。其最大的特征是通过分析学习者的行为，来“猜”学习者的表现和兴趣，并生成个性化推荐，旨在帮助学习者选择感兴趣的课程、科目、学习材料和学习活动等。例如，等使用机器学习方法构建编程学习系统的推荐模型，能够自动地适应学习者的兴趣和知识水平。系统通过测试学习者学习风格和挖掘服务日志，来识别学习风格和学习者习惯的不同模式。研究首先基于不同的学习风格处理集群，然后，通过AprioriAll算法挖掘频繁序列，分析学习者的习惯和兴趣，最后，系统根据频繁序列的等级推荐个性化学习内容。
Wang和Liao设计了一个基于不同学生特征推荐个性化教学内容的英语自适应学习系统。系统的核心技术是人工神经网络(ANN)，并选择ANN的BP算法用于学生特征和学习表现的监督聚类分类。该研究应用了一个四步核心方法来构建每个学生的特征与词汇、语法和阅读的学习表现的关系，方法步骤包括构建学生特征和学习表现的关系、获得所有不同特征组合的学习表现、设置α-截和不同学习表现水平的α-截，以及为不同学生特征组合设置教学
内容的不同等级。该方法支持系统根据学生的性别、性格和学习焦虑程度等特征，来适应、推荐不同层次的学习内容。
同样，Aher和Lobo发现聚类和关联规则算法等数据挖掘技术可用于课程推荐系统，系统能够基于其他学生在Moodle选择的课程来为学生推荐相关课程。该研究发现，使用朴素K均值聚类技术和Apriori关联规则算法的综合方法，无需经历数据准备阶段，而且关联规则的数目还更多。课程推荐系统能够根据学生的兴趣，帮助学生选择适当的课程组合。
(二)典型应用：个性化自适应学习平台
个性化学习是指优化学习步调和教学方法来满足每位学习者需求的教学[58]。基于学习者的需求，学习目标、教学方法和教学内容是不同的，并且对于学习者来说，学习活动是有意义且相关的，是受兴趣驱动且经常是自我发起的。智慧教育的发展目标之一就是为学习者提供个性化学习服务，体现学生的差异化，改变传统教育一刀切的局面。