Die conversationelle Text-zu-SQL-Übertragung zielt darauf ab, mehrschrittige natürlichsprachliche Abfragen in ihre entsprechenden SQL-(Structured Query Language-)Darstellungen zu übersetzen. Ein der schwierigsten Probleme bei der conversationellen Text-zu-SQL-Übertragung ist die Modellierung der Semantik mehrschrittiger Abfragen sowie die Sammlung der für die aktuelle Abfrage erforderlichen Informationen. Diese Arbeit zeigt, dass die explizite Modellierung der semantischen Veränderungen durch Hinzufügen jeder einzelnen Interaktionsrunde sowie die Zusammenfassung des gesamten Kontexts zu einer verbesserten Leistung bei der Umwandlung conversationeller Abfragen in SQL führen kann. Insbesondere schlagen wir zwei conversationelle Modellierungsaufgaben auf Ebene der einzelnen Runden und auf Ebene der gesamten Konversation vor. Diese beiden Aufgaben fungieren einfach als Hilfsaufgaben im Trainingsprozess, um die semantische Analyse mehrschrittiger Gespräche zu unterstützen. Wir führten empirische Studien durch und erzielten neue SOTA-(state-of-the-art)-Ergebnisse auf dem großskaligen, offenen-domain conversationellen Text-zu-SQL-Datensatz. Die Ergebnisse belegen, dass der vorgeschlagene Mechanismus die Leistung der mehrschrittigen semantischen Analyse signifikant verbessert.