MOOC作为在线教育的主要开展形式,越来越多的学习者选择在MOOC平台上进行学习。在此过程中,学习者留存了海量的文本数据于平台之上,包括作答课堂问题的文本、评价MOOC质量的文本以及讨论区内的提问交流文本等,然而如何有效利用这些文本数据是长久以来困扰教师和研发者的问题。大量的文献以结构化数据作为研究视角对MOOC学习者行为进行分析,鲜有研究关注文本内容层面的挖掘与大数据分析。基于此,本研究引入人工智能领域中的自然语言处理技术,拟从文本内容层面分析MOOC平台上的学习者反馈文本。本研究主要可以分为四个部分:第一部分,构建了适用于不同类型学习者反馈文本的学习分析策略以及相应的技术流程。第二部分,开发爬虫程序采集中国大学MOOC平台上的学习者反馈文本,共采集到文史哲类、理工类、社科类和教育类16门MOOC下15万余条文本数据,总计一千万余字。基于SOLO分类理论对12461条问题作答类文本进行理解水平标注,依据MOOC课程评价理论和态度倾向对2337条课程评价类文本做了标注,形成供神经网络模型学习训练的语料库。并计算所有文本数据的互信息值,筛选出适用于教育类语料分词的自定义词典。第三部分,应用所构建的学习策略和技术流程分析所采集到的学习者反馈文本。对问题作答类文本做了结构化数据分析和包括重复率检测、理解水平判断在内的文本分析,发现参与问题作答的学习者比例只占注册总人数的6.73%,且较高比例的理工类MOOC学习者在作答时会大量借鉴已有答案,大部分学习者的作答文本所反映出来的理解水平处于较浅的多点结构水平。对课程评价类文本做了态度倾向分析和负面评价聚类,发现大部分学习者会对MOOC做出正面评价,同一门MOOC的负面评价多指向同一纬度的问题。对提问交流类文本做了热点话题词排列分析,发现讨论区内主要讨论的主题是关于课程相关的知识,也存在咨询MOOC平台使用问题的话题。第四部分,根据分析结果提出了MOOC教学和课程设计的改善建议,并统合所用到的自然语言处理技术设计了学习者反馈文本管理系统。本研究的主要贡献和创新点在于:（1）构建了MOOC平台学习者反馈文本从采集到分析的具体技术流程和学习分析策略。（2）引入自然语言处理技术对学习者反馈文本进行内容层面的分析,并在理解水平评价、重复检测、话题抽取等方向进行了探索性的研究。（3）根据分析结果提出了相应的管理和教学建议,并设计了学习者反馈文本管理系统。在未来的研究中可以尝试将分析的语料扩大至百万级,甚至千万级,同时引入更多类型的神经网络组合进行分析,提升模型的可用性。将自然语言处理技术与MOOC管理后台链接,开发学习者反馈文本管理系统辅助教师的教学和管理。