In diesem Artikel befassen wir uns mit dem mathematischen Textaufgaben-Verständnis, genauer gesagt mit der automatischen Beantwortung mathematischer Probleme anhand ihrer textuellen Beschreibung. Obwohl neuere Methoden vielversprechende Ergebnisse erzielt haben, basieren die meisten dieser Ansätze auf einem vordefinierten Vorlagen-Generierungsansatz, was zu einer begrenzten Generalisierungsfähigkeit führt. Um dies zu überwinden, schlagen wir eine neuartige, menschenähnliche analoge Lernmethode im Sinne eines Abruf- und Lernprozesses vor. Unser vorgeschlagenes Framework besteht aus vier Modulen: Gedächtnis, Repräsentation, Analogie und Schlussfolgerung. Diese Module sind darauf ausgelegt, neue Aufgaben durch Bezugnahme auf bereits gelernte Aufgaben zu lösen. Konkret ruft das Modell zunächst mithilfe eines Gedächtnismoduls ähnliche Fragen ab und kodiert anschließend die ungelöste Aufgabe sowie jede abgerufene Frage mittels eines Repräsentationsmoduls. Um die Lösung analog zu einem bereits bekannten Fall vorzunehmen, wird ein Analogiemodul sowie ein Schlussfolgerungsmodul mit einer Kopiermechanik vorgeschlagen, um die Wechselbeziehungen zwischen der aktuellen Aufgabe und jeder abgerufenen Frage zu modellieren. Umfangreiche Experimente an zwei bekannten Datensätzen zeigen die Überlegenheit unseres Ansatzes gegenüber anderen führenden Methoden sowohl in Bezug auf die Gesamtleistung als auch in detaillierten mikroskopischen Analysen.