Q矩阵是进行认知诊断的基础,正确的Q矩阵是进行被试诊断分类的关键,Q矩阵的界定的复杂性限制了认知诊断在实际中的应用。现有Q矩阵估计和修正方法均是基于复杂的统计测量学知识,需要进行大量的运算。本研究受HCI(Hierarchy Consistency Index)指标的启发,开发ICC (Item Consistency Criterion)指标,提出一种基于得分矩阵的Q矩阵估计和修正方法,通过比较被试在不同题目上的得分,进行Q矩阵的估计和修正。其基本思路为：在进行Q矩阵估计时,事先界定好的部分题目Q矩阵为Qase,需要进行估计的题目j的测量模式均为2k-1种(k为属性个数)模式中的一种,假定题目J的测量模式为2k-1中的第一种测量模式qnewl,则可以在Qbase中找到测量模式包含qnewl所有属性的题目、与qnewl相等的题目、包含于qnewl的题目。如果被试在测量模式包含qnewl的题目上得分为1,在题目j上得分为0,则记为异常。如果被试在与qnewl相等的题目上得分与在题目j上得分不同,则记为异常。如果被试在测量模式包含于qncwl的题目上得分为0,在第j题上得分为1,则记为异常。累计所有被试的异常次数占比较次数的大小,则为第j题测量模式为qnewl的ICC指标,通过计算所有可能测量模式(2k-1种)的ICC指标,则可以选择ICC指标最好的测量模式为题目j的测量模式,由此来进行Q矩阵估计。使用ICC指标用于Q矩阵修正时,则对于需要判断的题目,用其余题目作为Qbase,来计算该题所有可能测量模式的ICC,然后循环修正所有题目,直到Q矩阵不变为止。研究采用Monte Carlo模拟的研究方法,结果表明,ICC指标能较好的进行Q矩阵估计和修正,具有不受模型数据拟合影响的特点,操作更简便。该方法可以实现新题目的属性向量在线估计,也可以验证和修正已经定义的题目属性向量,为认知诊断Q矩阵估计和修正提供了一种新思路。