在当今数字化教育蓬勃发展且高校教学改革持续深化的背景下，高校学生的学习行为数据呈现出海量、多元且实时性要求高的特点。然而，传统的学习行为预测模型在处理这些复杂数据时，往往面临着计算效率低下、数据处理不及时以及预测准确性受限等问题。本文运用边缘计算与人工智能协同驱动的方法来解决上述问题，从数据采集与预处理、特征提取与融合、模型构建与优化等方面着手。在数据采集与预处理阶段，利用边缘计算设备靠近数据源的优势，实现对学生学习行为数据的快速采集与初步筛选；在特征提取与融合方面，借助人工智能算法挖掘数据中的潜在特征，并与边缘计算所获取的实时信息进行有效融合；模型构建与优化则结合边缘计算的分布式计算能力和人工智能的深度学习能力，构建出高效准确的学习行为预测模型。本研究重点聚焦于如何充分发挥边缘计算与人工智能的协同优势，以提高预测模型的性能。基于此研究方法得出的结论对于精准把握高校学生学习行为规律、优化教学资源配置、提升教学质量具有重要意义。