当前,大规模开放在线课程（Massive Open Online Course,简称MOOC）是一种重要的学习载体。学习者在MOOC讨论区交流学习的过程中会产生大量话语文本数据,这些数据中蕴含着有价值的信息,如学习者社交互动特征、兴趣话题倾向等。倘若能自动抽取话语数据中的隐含信息,挖掘学习者社交行为和关系表征,关注语义话题,以及话题表达对应的社交互动差异分布,将有助于教学者更直接、有效地把握课程讨论内容的整体风向,为其开展规模化和个性化教学创新实践提供有效支持。针对在线课程讨论区中存在话题挖掘维度单一的问题,本文以学习者在MOOC讨论区中的交互数据为切入口,提出融入学习者社交特征信息的话题模型（Social Latent Dirichlet Allocation,简称S-LDA）,并应用于MOOC讨论区中,探究学习者表达话题时的社交特征差异概率分布,以及不同社交模式学习群体的话题关注倾向。本文具体的研究工作及研究特色如下:（1）本文结合教育情境,弱化标准潜在狄利克雷分布模型（Latent Dirichlet Allocation,简称LDA）的文档层结构,强化以学习者发表的文本数据层,以学习者为研究单元,将学习者的交互数据作为分析入口,以单词为模型最小采样单元,并在LDA模型的基础上进行参数拓展,从社交行为和社交关系两个维度细化学习者社交特征,提出S-LDA话题模型。通过结合和甄别学习者在课程讨论区的交互特征,创建学习者-话题分布、话题-单词分布、话题-社交行为以及话题-社交关系概率分布的映射空间。研究结果表明,本文提出的S-LDA模型能更具细粒度、多层次地挖掘学习者感兴趣的话题语义内容。（2）将S-LDA模型应用于《沟通心理学》课程开展实验研究。利用Python爬取讨论区的所有话语数据,共计3369名课程参与者,产生16944条讨论帖,字数高达3629201字。以课程参与者为网络节点,分析核心度、声望等特征属性,从社交行为维度将学习者划分为主动参与和被动参与群体,从社交关系维度将学习者划分为核心位置和边缘位置群体,以及高声望、中等声望、低声望群体。实验结果表明,学习群体关注不同话题时的社交特征概率分布,以及不同社交模式学习群体关注的话题内容都存在差异。通过分析话题挖掘的结果能够帮助教学者更为全面地掌握学习者课程讨论进程,以便开展针对性、个性化的教学干预和反馈。