朱仕浩 康春花 洪清玉

一、引言

认知诊断（Cognitive Diagnosis，CD）是指对个体认知过程、加工技能或知识结构的诊断评价[1]。它能够探讨个体内部的心理加工机制，实现对个体认知发展实况的诊断评估。在认知诊断评分方式上，现多以Q 矩阵为基础，实现以题目对错为判别的0-1 评分，以及多级评分。与0-1 评分相比，多级评分可以提供更多的被试诊断信息，因而被广泛使用。

现有多级评分的认知诊断方法大多在Q 矩阵基础上架构，根据是否需要参数估计可将认知诊断方法分为参数方法和非参数方法[2]。参数方法已有研究有祝玉芳、 丁树良开发多级评分的AHM，Templin、Henson、Rupp、Jang 和Ahmed 提出的称名反应诊断模型，涂冬波、蔡艳、戴海琦、丁树良开发的多级评分PDINA 模型，Hansen 提出的等级反应LCDM 等[3-6]。在非参数方法上， 也有Sun、Xin、Zhang 和de la Torre的拓展多级的广义距离判别法，康春花、任平、曾平飞开发的多级评分聚类分析，杨亚坤开发的曼哈顿距 离 判 别 法 （Manhattan distance discrimina tion，MDD）等[7-9]。在这两类方法中，参数方法可以通过参数估计获得项目参数，为进一步的测验编制或等值提供有用信息，但需要较长时间和足够大的样本量，并且参数模型选择困难[10，11]。而非参数方法作为参数方法的替代方案用于被试知识状态的判别，拥有判准率较高、无需进行参数估计、条件假设少、受样本量的影响较小等特点[12]。

这两类多级评分认知诊断方法都基于Q 矩阵，并未考虑属性与项目类别之间的关系，因而可能会丢失部分项目信息并影响诊断结果。对此，Ma 和de la Torre 在连续比链接函数基础上对CDMs 进行拓广，并将GDINA 模型作为加工函数（Processing Function），提出了序列加工的seq-GDINA 模型（Sequential GDINA model）。……