机器阅读理解（Machine Reading Comprehension, MRC）作为一种评估系统理解自然语言能力的方法，近年来受到广泛关注。通常情况下，MRC系统的目标是在给定上下文段落的前提下，从多个选项中选出正确答案。然而，在许多多项选择题型的MRC应用场景中，还需考虑两个额外因素。首先，在多项选择考试中，往往采用负向评分机制，即答错题目会受到扣分惩罚。这一机制对MRC系统提出了更高要求：系统不仅需要预测答案，还必须具备对预测结果不确定性的认知能力。其次，许多多项选择题包含“以上皆非”（None of the Above, NOA）选项，表示在给定选项中不存在正确答案，而非每个问题都必然存在一个正确选项。这一设计使得系统在判断答案时需具备识别“无正确选项”的能力。本文通过引入预测不确定性（predictive uncertainty）机制，系统性地研究上述两个问题。对于是否应提出答案这一问题，答案的不确定性可直接用于决策——若系统对预测结果缺乏足够信心，则不应输出答案。在处理NOA选项时，存在两种策略：其一，直接在包含NOA选项的数据集上训练系统；其二，利用不确定性检测机制判断其他选项是否包含正确答案。当系统对所有候选答案均缺乏足够信心时，可自动选择NOA。由于目前尚无标准语料库用于研究上述问题，本文对ReClor语料库进行了改造：从部分问题的选项中移除正确答案，从而构建出模拟NOA场景的测试集。在此基础上，采用一个高性能的MRC系统，评估预测不确定性在上述情境下的适用性。实验结果表明，不确定性机制能够有效识别出系统信心不足的问题，从而避免错误作答。此外，研究还发现，基于不确定性的NOA决策策略在性能上优于专门设计包含NOA选项的系统。综上所述，预测不确定性不仅为MRC系统提供了应对负向评分机制的鲁棒性，也为“以上皆非”类问题的智能处理提供了有效解决方案，展现出在实际应用中的重要潜力。