Die multiple-choice-Leseverständnis-Aufgabe (MCRC) besteht darin, aus mehreren vorgegebenen Optionen die richtige Antwort zu einer Frage zu wählen. Bestehende MCRC-Modelle lesen in der Regel entweder jede Option unabhängig voneinander oder berechnen eine feste Längendarstellung für jede Option, bevor sie diese vergleichen. Menschen jedoch vergleichen in der Regel die Optionen auf verschiedenen Detailstufen, bevor sie den Artikel detailliert lesen, um das Denken effizienter zu gestalten. Indem wir uns an dieser menschlichen Vorgehensweise orientieren, schlagen wir ein Optionsvergleichsnetzwerk (OCN) für MCRC vor, das die Optionen auf Wortebene vergleicht, um ihre Korrelationen besser zu identifizieren und so das Denken zu unterstützen. Insbesondere wird jede Option mithilfe eines Skimmers in eine Vektorsequenz kodiert, um feingranulare Informationen so weit wie möglich beizubehalten. Ein Aufmerksamheitsmechanismus wird genutzt, um diese Sequenzen Vektor für Vektor zu vergleichen und subtilere Korrelationen zwischen den Optionen zu erkennen, was potentiell für das Denken von Wert ist. Experimentelle Ergebnisse am MCRC-Datensatz RACE des menschlichen Englischtests zeigen, dass unser Modell bestehende Methoden erheblich übertrifft. Darüber hinaus ist es auch das erste Modell, das die Leistung von Amazon Mechanical Turkern über den gesamten Datensatz hinweg übertreffen kann.