依赖互联网的蓬勃发展,大规模在线开放课程(Massive Open Online Courses)自现世以来在一定程度上实现了知识的传递和教育的革新,在一定意义上扩大了高等教育的对象边界。然而,其低学习效率,高退学率等缺点也广受诟病。同多数社交系统一样,学习者的线上交互行为也可以被描述为复杂系统及网络相关过程。每个学习者代表了网络中的个体(节点),个体的交互组成网络中的复杂关系。与之同时,大数据和人工智能相关技术的繁荣也为基于复杂网络的MOOCs相关研究提供了多种多样的技术手段。通过物理建模,分析学习网络中个体交互行为和信息传播动力学过程,能为MOOCs下一步的发展提供非常有价值的指导意见。本论文首次利用社交网络分析(SNA)、信息传播模型和文本分类技术对中文社区下的四门不同类型MOOCs课程进行研究。我们首先引入社交网络分析、网络脆弱度和信息传播模型,研究了四门不同类型MOOCs课程的网络结构差异和学习行为差异。然后,基于简单的机器学习技术搭建了基础文本分类器,将超过100000条帖子分类成与课程内容有关或者与课程内容无关两类,引入网络模块度等参数,比较了文本过滤前后课程网络的差异,分析了这两类帖子在不同类型的课程中扮演的角色。研究结果表明,学习者的线上学习行为造成了不同类型课程的学习交互网络的结构差异,而学生的线上学习行为与学生的社会背景,课程的特性和教师的指导方式密切相关;内容有关和内容无关的帖子在不同课程中的作用呈现出异质性,内容无关的帖子在理工科课程中可以促进全球交流,但是在人文类课程中没有类似作用。这些研究结果证明,在建立针对不同课程的监督机制与指导方式之前,先对学习者的行为进行分析是至关重要的。