Dieses Papier untersucht die Nützlichkeit von Rhetorischen Strukturtheorie-Bäumen (RST) und deren Beziehungen bei der Bewertung der Kohärenz im Diskurs. Wir zeigen, dass die Einbeziehung von silberstandardmäßigen RST-Merkmale die Genauigkeit bei der Klassifizierung von Kohärenz erhöhen kann. Dies demonstrieren wir durch unser baumrekursives neuronales Modell, das als RST-Rekursiv bezeichnet wird und von den RST-Merkmalsstrukturen profitiert, die durch einen state-of-the-art-RST-Parser erzeugt werden. Wir evaluieren unseren Ansatz am Grammarly-Korpus für Diskurskohärenz (GCDC) und zeigen, dass in Verbindung mit dem aktuellen Stand der Technik eine neue state-of-the-art-Genauigkeit an diesem Benchmark erreicht werden kann. Zudem erreicht RST-Rekursiv alleine eine wettbewerbsfähige Genauigkeit, während es gleichzeitig 62 % weniger Parameter aufweist.