预训练语言模型的发展极大地推动了机器阅读理解任务的进步。为了充分利用预训练语言模型中的浅层特征，并进一步提升问答模型预测答案的准确性，提出了一种基于BERT的三阶段式问答模型。首先，基于BERT设计了预回答、再回答及答案调整三个阶段；然后，在预回答阶段将BERT嵌入层的输入视作浅层特征来进行答案预生成；接着，在再回答阶段使用经BERT充分编码后的深层特征进行答案再生成；最后，在答案调整阶段结合前两个答案产生最终的预测结果。在抽取式问答任务的英文数据集SQuAD2.0和中文数据集CMRC2018上的实验结果显示，该模型在精准匹配度（EM）和F1分数（F1）两个指标上相较于同类基准模型平均提升了1~3个百分点，抽取出的答案片段更加准确。通过融合BERT中的浅层特征与深层特征，该三阶段模型拓展了BERT的抽象表示能力，探索了BERT中的浅层特征在问答模型中的应用，具有结构简单、预测准确、训练和推断速度快等特点。
