该文综述机器学习中样本难度度量的研究进展，介绍预测深度、C-Score、EL2N、归纳偏差复杂度、VoG等度量方法，用于识别困难样本、筛选高质量训练数据及评估模型泛化与可解释性。实验表明，基于难度的样本选择可提升分类准确率、降低语义与领域分类错误率，并改进课程学习排序与鲁棒性。