机器阅读理解是自然语言处理领域的重要课题之一,在智能问答、对话生成、文本摘要等领域都涉及机器阅读理解技术。目前,机器阅读理解模型的训练一般使用随机采样的方式,未考虑样例句子的顺序组织对模型的影响。在机器阅读理解任务中,训练样例难度可能不相同,比如有些例子可以通过简单的词汇检索解决,而另一些需要复杂的语义推理。那么难度不一样的样例在训练的时候,它们的权重应该有所区别。为了解决这个问题,有研究者把课程学习（Curriculum Learning,简称CL）的思想引入到机器阅读理解任务中。课程学习是把样例按从简单到复杂进行排序,然后在训练的时候以某种顺序呈现给模型。在使用课程学习建模时需要考虑如何定义样本的难度,并基于难度进行样例选择。但是,据我所知,目前基于课程学习的机器阅读理解方法对于样例难度的定义一般是基于数据集,未充分考虑样例难度与模型之间的关联关系,从而导致课程学习中难度的定义高度依赖于数据集。基于此,本文使用交叉评审的方式构建难度评估方法,以此减少难度评估对数据集的依赖。但交叉评审的方式未充分考虑样例难度与模型之间的关联关系,于是本文进一步引入了项目反应理论（Item Response Theory,简称IRT）对样例难度与模型之间的关联关系进行建模。本文在RACE数据集上对基于课程学习和IRT方法的机器阅读理解模型进行了验证分析。实验结果表明,引入课程学习的思想可以提高机器阅读理解模型的准确率,同时在课程学习的基础上再结合IRT模型进一步提升了模型性能。实验结果表明IRT模型与课程学习的有效结合,能够有效提升机器阅读理解模型的性能。