互联网的快速发展,给人们提供了在线学习的条件和机会,很多希望提高自身知识水平和专业技能的人都选择参与在线教育来达到目的,而不论是线上还是线下教育,都产生了大量的学习互动数据,这些数据真实地反应了学习者的兴趣话题、情感态度、学习体验等特征,因此对于教育交互数据分析的成果,可以更好地帮助学习者定位学习资源,帮助教师组织教学内容,还能帮助课程平台加强基础建设。中国大学MOOC平台是国内提供众多开放式网络课程的大型平台之一。本文利用爬虫技术获取MOOC上学生的课程评论,为了分析评论的细粒度情感,提出模型（Graph Convolutional Network for Aspect Based Sentiment Analysis,GCN＿ABSA）分析课程评论的细粒度情感,主要工作总结如下:（1）细粒度情感分析的方面词提取子任务,实际上就是命名实体识别这一自然语言处理问题,从文本中学习到的词嵌入是否合理,是决定标注效果的关键,鉴于动态词嵌入能学习到词语间的语义关系,本文使用Bert预训练模型初始化文本的向量表示,再在小型的MOOC评论数据集上对参数微调,使其更适用于所研究的领域。进行命名实体识别时,我们不再关注局部的特征标注,而是从全局出发,使用条件随机场探寻最优的标注序列。（2）细粒度情感分析的方面词情感分类子任务,即在已经提取出方面词的基础之上,分析方面词所具有的情感极性,鉴于已有的各类深度学习模型,单纯依靠从大量语料中学习到的情感特征规律来辨别方面词的情感类别,本文利用句法依赖树树获取到文本的句法信息,并通过图卷积神经网络将其融入到深度学习模型中,建立方面词与情感词之间的联系,使深度学习模型更具有可解释性。在聚焦方面词的局部上下文时,本文还提出了基于方面词的上下文掩盖层,依据距离设置权重,对学习到的情感特征进行加权处理。连接两个子任务学习到的文本特征,通过多头注意力机制进行编码学习,最后获取第一个位置的隐藏状态使用softmax函数进行情感分类。（3）爬取MOOC上真实的课程评论数据,对本文提出的GCN＿ABSA模型进行实验评估,并使用无监督词聚类方法挖掘评论中隐含的情感主题,将GCN＿ABSA模型提取出的方面词集合作为情感话题群,并建立“文本-方面词-情感话题群”到“情感话题群-主题”的映射。