Los estudiantes en un curso masivo en línea a menudo expresan sentimientos, intercambian ideas y buscan ayuda publicando preguntas en foros de discusión. Debido a la muy alta proporción de estudiantes por instructor, es poco realista esperar que los instructores puedan rastrear adecuadamente los foros, encontrar todos los problemas que necesitan resolución y entender su urgencia y sentimiento. En este artículo, considerando los sesgos entre diferentes cursos, proponemos un marco de aprendizaje por transferencia basado en una red neuronal convolucional y un modelo de memoria a corto y largo plazo, llamado ConvL, para identificar automáticamente si una publicación expresa confusión, determinar la urgencia y clasificar la polaridad del sentimiento. Primero, aprendemos la representación de características para cada palabra considerando la característica contextual local a través de la operación de convolución. En segundo lugar, aprendemos la representación de la publicación a partir de las características extraídas a través de la operación de convolución mediante el modelo LSTM, que considera las relaciones semánticas temporales a largo plazo de las características. En tercer lugar, investigamos la posibilidad de transferir parámetros de un modelo entrenado en un curso a otro curso y el posterior ajuste fino. Los experimentos en tres cursos MOOC del mundo real confirman la efectividad de nuestro marco. Este trabajo sugiere que nuestro modelo puede aumentar potencialmente de manera significativa la efectividad de la supervisión de foros MOOC en tiempo real.