机器阅读理解（Machine Reading Comprehension, MRC）是一项人工智能挑战任务，要求系统基于给定文本段落，准确判断并回答相关问题。MRC系统不仅需要在有答案时作出正确回应，还需在段落中无法找到答案时识别出“无答案”情形，并恰当地选择不作答。当任务涉及无法回答的问题时，除了作为核心组件的编码器（encoder）外，系统还需引入一个关键的验证模块——验证器（verifier）。尽管当前MRC建模的最新趋势仍主要依赖于预训练语言模型作为编码器，且仅聚焦于“阅读”能力的提升，但本文致力于探索在存在不可回答问题的MRC任务中更优的验证器设计。受人类解决阅读理解问题方式的启发，本文提出一种名为“回顾式阅读器”（Retrospective Reader, Retro-Reader）的新模型，该模型融合了两个阶段的阅读与验证策略：第一阶段为“粗略阅读”（sketchy reading），快速分析段落与问题之间的整体语义关联，生成初步判断；第二阶段为“精读验证”（intensive reading），对候选答案进行深入验证，并输出最终预测结果。所提出的Retro-Reader在两个主流MRC基准数据集SQuAD2.0和NewsQA上进行了评估，取得了新的最先进（state-of-the-art）性能。显著性检验结果表明，该模型在统计上显著优于强基线模型ELECTRA和ALBERT。此外，本文还开展了一系列深入分析，以解释所提出阅读器在性能提升方面的有效性与内在机制。