Semantische Rollen-Labeling (Semantic Role Labeling, SRL) zielt darauf ab, die Prädikat-Argument-Struktur eines Satzes zu erkennen und kann in zwei Teilprobleme zerlegt werden: die Prädikat-Disambiguierung und die Argument-Labeling. Vorangegangene Arbeiten behandeln diese beiden Aufgaben unabhängig voneinander, wodurch die semantischen Zusammenhänge zwischen ihnen ignoriert werden. In diesem Paper schlagen wir vor, den Rahmenwerk des Maschinellen Lesens mit Verständnis (Machine Reading Comprehension, MRC) zu nutzen, um diese Lücke zu schließen. Wir formalisieren die Prädikat-Disambiguierung als Multiple-Choice-Aufgabe im Bereich des MRC, wobei die Beschreibungen der möglichen Bedeutungen eines gegebenen Prädikats als Antwortmöglichkeiten dienen, um die korrekte Bedeutung auszuwählen. Die gewählte Prädikatbedeutung wird anschließend verwendet, um die semantischen Rollen für dieses Prädikat zu bestimmen, und diese semantischen Rollen dienen wiederum als Grundlage zur Konstruktion einer Abfrage für ein weiteres MRC-Modell, das für das Argument-Labeling zuständig ist. Auf diese Weise können wir sowohl die Prädikat-Semantik als auch die Semantik der semantischen Rollen für das Argument-Labeling nutzen. Zudem schlagen wir vor, eine Teilmenge aller möglichen semantischen Rollen aus Gründen der Recheneffizienz auszuwählen. Experimente zeigen, dass das vorgeschlagene Framework Ergebnisse auf dem Stand der Technik erreicht oder mit früheren Ansätzen vergleichbar ist. Der Quellcode ist unter \url{https://github.com/ShannonAI/MRC-SRL} verfügbar.