大规模在线公开课程（Massive Open Online Courses,MOOC）又译为“慕课”,是随着科技发展流行起来的新兴课堂形式。慕课不拘泥于时间、地点,又内容多样、资源丰富,自出现起就备受全世界学习者的喜爱和关注。然而慕课数量巨大,质量良莠不齐,如果不对慕课进行质量评估,不仅会浪费学习者的时间筛选慕课,同时也会对慕课平台的留存率产生负面影响。怎样充分地利用慕课属性及学习者的学习行为,合理地构建评估慕课质量的模型,准确、快速地对慕课进行评估,是本文重点要研究的问题。当前有许多研究围绕如何评估慕课进行了讨论。传统慕课质量评估主要是采用人工调研的方式,通过调查问卷获得学生满意度的数据从而对经典的慕课进行评估,这种方式需要消耗大量的人力物力,同时也忽略了慕课信息和学习者的学习行为对评估的影响。机器学习可以高效地处理数据,并且实现对特征的处理和选择,非常适合对大规模的慕课数据进行处理。本文利用机器学习的理论,应用于北京四中的真实慕课数据集,结合多视图表示学习及多层感知器的方法,实现了对慕课质量自动、准确的评估。本文提出了一个自动评估慕课质量的模型,可以在缺少评论的情况下也能很好地完成对慕课质量的评估。本文主要的研究内容如下:1.建立慕课自动评估模型。首先将慕课的全部特征都嵌入到向量中,再将评分问题转化为分类问题,把不同数值的评分看做是不同的类别对向量进行分类,以此完成对慕课质量的评估。2.将学习者在观看慕课过程中发生的交互信息作为慕课的特征引入模型,并提出分段处理的方法。在特征嵌入的过程中,本文将交互信息作为特征引入模型,从交互信息中挖掘对慕课质量评估有价值的信息。同时,本文提出了一种分段处理法,该方法使得发生不同段落的交互信息得以区分。该方法除了应用于慕课交互信息处理,还可以应用于其他视频处理中,是一种通用的处理方法。3.将多模态表征学习的方法引入模型。该方法将慕课属性和交互信息视为两种模态,将它们集成到一个表示中,旨在利用两种模态中包含的互补信息来更全面地对慕课向量进行表示。通过多模态表征学习提取潜在的慕课特征,获得更具有表达力的慕课向量。本文对来自北京四中的慕课数据集进行评估,将提出的方法与七个分类方法作对比,实验结果证明了本文模型的有效性和准确性。除此之外,本文还进行了三组消融实验,第一组验证了不同处理组合对实验结果的影响,第二组验证了使用多视图表示学习的有效性,第三组验证了多层感知机比以树作为基础的方法分类效果更好。