传统的测量理论只提供给被试一个笼统的分数或能力值,无法解释相同的分数或能力值背后却有不同的知识结构这一现象。如今,人们已经不满足测验只给出总结性的评价,而是要求测验位教和学提供更多具体的反馈信息。认知诊断作为新-代的测量理论,强调认知心理学对测验编制的指导作用。认知诊断能够诊断出学生内部的认知结构和认知状态,为个体提供认知强项和弱项的信息,对个体进行补救教学,有利于个体下一步的学习。因此,认知诊断受到测验研究者和测验编制者越来越多的重视。认知诊断的主要任务是根据被试的作答情况诊断出被试认知属性的掌握情况,进而将被试分到特定的认知属性掌握模式中。围绕这个中心任务,研究者们提出了众多认知诊断模型。其中,K. K. Tatsuoka和她同事研究的规则空间模型(RSM)以及Leighton等人在RSM基础上提出的属性层级模型(AHM)是影响比较大的认知诊断模型。规则空间模型和属性层级模型都强调Q矩阵理论对诊断测验的编制和诊断分类的关键作用。只要能得到认知属性间的层级关系,就可以分析得到Q矩阵。因此,合理的认知属性间的层级关系对认知诊断测验相当重要。认知诊断的中心任务是根据每个被试的作答数据确定其相应的知识掌握状态,即将学生分类到特定的属性掌握模式中,为补救教学提供参考。很明显,优良的分类方法会大大提高认知诊断分类的准确性。贝叶斯网络以贝叶斯理论和图论为基础,通过一个有向无环图和一组概率分布定性和定量的表达变量间的独立和依赖关系。贝叶斯网络是严格的数学语言,适合于计算机的处理；同时又直观易懂,方便建立模型。建立贝叶斯网的过程,就是利用数据进行贝叶斯网学习的过程。如今,越来越多的研究领域开始采用贝叶斯网展示问题的结构。贝叶斯分类器是一种特殊的贝叶斯网,是基于概率的分类器,对不确定性问题有较高的推理能力,它的良好的分类效能已经在许多领域得到证实。国内外已经有将贝叶斯网运用到教育测量中的相关研究,但数量很少。本文尝试将贝叶斯网络运用到认知诊断中,主要分为两个研究。研究一利用258名学生物理测验所得的数掘进行贝叶斯结构学习,利用贝叶斯结构学习得到六个物理学知识点属性间的层级关系。学习得到的属性层级关系可以验证和校正由专家提出的属性层级关系,从而使属性层级关系更加合理,为下一步的诊断分类的正确性提供保证。研究二构建朴素贝叶斯网分类器和树增广朴素贝叶斯分类器,根据学生的物理题目的作答数据,对学生的认知状态进行诊断分类,将258名学生分到其相应的属性掌握模式中；研究二分为模拟研究和实证研究,模拟研究和实证研究的结果都表明,朴素贝叶斯网络分类器和树增广的朴素贝叶斯分类器的分类性能良好,贝叶斯网络应用到认知诊断中具有广阔的应用前景。