自2012年起,大规模开放在线课程(MOOC)为用户提供了多样化的学习体验。然而,MOOC学习者数量庞大,限制了师生交互,缺乏教师对学生的有效干预。在此背景下,本文利用MOOC讨论区中丰富的数据资源,探究教师干预话题特征及教师干预行为的影响因素,围绕“讨论话题”,进行教师干预预测,为大数据分析和机器学习建模技术在讨论区教师干预方面的应用提供新思路。本研究通过学习者在MOOC讨论区中的讨论交互过程,在相关文献的基础上,提出22项话题讨论特征指标,构建MOOC讨论区面向话题讨论的教师干预预测模型。具体步骤为:数据获取与处理、话题讨论特征分析、教师干预话题预测的算法、话题预测及干预;其中,教师干预话题预测算法部分包含:特征选择、预测算法选择、数据集分类和模型评估四部分。在此基础上,本研究以中国大学MOOC平台高等数学(一)课程讨论区话题数据为对象(时间:2018年9月至11月;数据量:8932个话题贴),对上述模型进行实验研究。首先通过自编的Python网络爬虫获取课程话题讨论数据;根据机器学习特征工程方法提取和处理数据;分别选用逻辑回归、决策树、随机森林和支持向量机等算法进行实验,建立教师干预话题的预测;其次,从学习分析视角,探究需回应话题的教师“最佳”干预策略。具体包括:师生交互行为转换模式分析;话题类型、教师干预类型、干预时间与学习者后续话题讨论水平之间的关联分析;MOOC讨论区教师干预的话题类型分析;MOOC讨论区面向话题讨论的教师干预建议。研究结果如下:(1)MOOC讨论区值得教师干预的话题具有高关注、低回应、基础性的特点;(2)四类算法中,基于决策树算法教师干预话题预测模型效果较好,精确率接近0.8,其最优特征子集为讨论区类型、问题描述质量、问题的丰富程度、学习者讨论参与情况、测试作业相关、问题发布时间和知识点重要程度;(3)教师干预为讨论话题带来了学习者的深入交互,不同类型的话题往往对应不同的最佳干预时间与干预方式。根据研究结果,本文提出建议:(1)为MOOC讨论区中需要教师干预的话题设置优先级或建立合理的排序方式,针对MOOC讨论区中的相似话题,设置查找功能或文本相似度计算,推荐以往发布的相似问题及获得的对应解答,在为教师提供话题干预推荐时应将需二次干预的话题考虑在内,此外考虑多种教学角色的分工问题,为不同教学角色用户推荐待解决话题;(2)教师应对讨论话题进行多次干预,多种干预方式并行,引导学习者深入思考,归纳迁移,为学习者创造思想碰撞空间;同时,关注师生间的情感互动,给予学习者更多的积极反馈与期望,设计富有创新性的开放式讨论主题,提高学生参与积极性。