不同于传统的虚拟学习社区、小规模在线课程的小数据量，MOOC在数据的数量和质量上都与传统的研究对象很不一样。MOOC的数据如果不加筛选是海量的，网络结构也是松散的。而由于数据来源和产生数据的本质，研究者认为像研究传统问题一样对MOOC中的参与者进行定性的调查是不实际的。所以应用社会网络分析法，或者包括社会网络分析法的混合研究方法成为了一个重要的趋势。然而，在层出不穷的研究中，研究者应用了社会网络分析，却从来没有思考过数据分析的第一步，数据的质量和数据的筛选。本篇论文以前人的研究为基础，对社会网络的数据筛选方法进行分析、归类。同时为了更加深入研究筛选的原因，其他相关信息也被收集整理，从而为今后的研究者在数据筛选的第一步带来启示。因此，本研究通过内容分析法对43篇高质量、高相关度的论文进行了考察研究以下问题：不同理论框架、研究方法、研究问题、社会网络指标、社会网络分析法的重新词化对数据初步筛选方法是否存在影响？

Unlike the traditional virtual learning community in a small scale, Massive Open Online Courses (MOOC) are characterized by huge data base and loose network structure if without any data filtering in the first-step network extraction. Due to the feature and nature of data, it is not likely to extract and utilize the data like the mode in the Computer-Support Collaborative Learning (CSCL). Most researchers, however, seem not to pay attention to the first-step of data filtering and just use Social Network Analysis(SNA) using the whole network. To gain deep understand about this topic, this thesis applies the content analysis to collect data from 43 high quality and relevance papers to untangling the conceptual framework for filtering the data for the first step under different theoretical frameworks, research methods, research topics and social network metrics.