随着移动互联网的普及,以及在线教育的人数突破新高,越来越多的问题文本数据被上传至互联网中。网络中存在大量的未标注问题数据,对于用户的选择造成了困扰,用户很难从中分辨出问题的难度。为了使得用户能够更好地选择自己适合的问题难度,节省用户筛选问题的时间,帮助用户进行个性化学习,对于问题难度的预测变成一个亟待解决的问题。问题难度预测是教育数据挖掘领域中重要的问题之一。现有的问题难度预测模型基于专业人员对问题难度进行的预估计,或从大量的用户做题记录中挖掘出相关的特征信息。但是这样的做法受人为主观因素的影响比较大,且效率比较低下,需要一种新的模型来准确、快速预测问题的难度。对于问题难度预测任务,本文将使用自然语言处理中数据增强、神经网络语言模型等方法,分析并利用问题的文本信息,来预测问题的难度。针对于问题难度预测中存在的问题,文本采用了基于注意力机制和多任务学习的方法进行问题难度预测。第一,利用基于注意力机制的神经网络模型来增强问题文本数据集。第二,利用多任务学习来提升问题难度预测的准确性。本文的主要工作如下:（1）通过网络爬虫技术,分别从四个不同的在线判题系统中获取不同的数据集,并且将这些获取的数据进行了预处理,并根据用户做题信息将问题的难度进行了标注分类。（2）提出了一种基于注意力机制的数据增强模型DASA（data augmentation based on self-attention）用于问题难度预测任务。该数据增强模型使用文本随机遮掩与自注意力机制。在实验中,通过将DASA与自然语言处理中常用的数据增强方法在多个问题难度数据集上进行对比,实验证明使用DASA进行数据增强的数据集在模型准确性上有着显著的提高。（3）由于某一学科中问题的数据集偏少,且在不同的在线学习平台中问题的内容分布有很大的不同,为了减少所需要的数据集信息,进一步提高问题难度预测的准确性并减少训练时间,本文将多任务学习模型运用于BERT（Bidirectional Encoder Representation from Transformers）模型中,提出了一种基于多任务的MTBERT（multitask BERT）问题难度预测模型。让MTBERT模型共享来自不同的数据集的特征,从而提升模型的泛化能力。在Leet Code、ZOJ等多个真实数据集中进行实验,对比了传统神经网络和原版BERT模型,从而验证了该方法的有效性。最后实验表明,利用数据增强、神经网络语言模型等技术,可以有效地提高问题难度预测的准确性与模型训练的效率。