ارتقای کیفیت فرآیندهای آموزشی برخط به ویژه به دلیل فراگیری آن در شرایط کنونی شیوع بیماری کرونا، از اهمیت ویژه برخوردار است. اکنون رایج ترین بهبودها در آموزش تحت وب، از طریق کشف الگوهای نهفته در فرآیند انتخاب دروس و انتخاب منابع درسی، با استفاده از روش های داده کاوی انجام می پذیرد. این در حالی است که الگوریتم های تحلیل شبکه مانند پیشگویی پیوند نیز می توانند برای این مهم به کار گرفته شوند. در این مقاله ابتدا داده های بایگانی از دو مجموعه داده آموزشی Moodle و OULAD ، پیش پردازش و به شبکه دوبخشی، تبدیل شد، سپس الگوریتم های رایج پایه پیشگویی پیوند مبتنی بر مجاورت (ضریب جاکارد، همسایگان مشترک، آدامیک/آدار و تقدم الحاقی) برای آن شبکه ها پیاده سازی گردید و به وسیله دو معیار دقت و مساحت زیر منحنی، مورد ارزیابی قرار گرفت. آزمایشات نشان می دهد که الگوریتم تقدم الحاقی در پیش بینی اخذ درس و ضریب جاکارد در اخذ منبع درسی، بهترین عملکرد را داشتند. این تفاوت در نتایج، به دلیل متفاوت بودن ویژگی های شبکه های مورد بررسی است. زمینه های متعدد خوش آتیه ای در این رابطه برای کارهای آتی وجود دارد.
