认知诊断模型(Cognitive Diagnosis Models,CDMs)提供了关于被试在一组属性上更细粒度的多维诊断反馈信息,反映了被试对于知识技能的理解和掌握程度,也可体现不同被试的能力水平。属性估计是CDMs的主要任务之一,近年来,CDMs在属性估计方面发展出了诸多模型和方法并相继被投入使用,如广义的决定性输入,噪音与门(Generalized Deterministic Input,Noisy And Gate,GDINA)模型,但是专注于提高其属性估计准确性的工作还需要进一步完善(Jiang,2019)。因此,本研究探究了一种基于迭代潜在类分析(Iterative Latent-class Analysis,ILCA)方法的认知诊断评价(Jiang,2019)在属性估计方面的表现。本篇文章通过模拟研究和实证研究相结合的研究方式进一步讨论了基于ILCA方法的认知诊断评价在属性估计准确性上的表现,并将ILCA用于实证数据的属性估计。研究一为模拟研究,探究在数据生成模型,拟合模型,属性个数(K),样本量(N)以及属性相关水平(?)五个操作自变量水平下,ILCA方法的属性估计准确性,并与GDINA模型产生的属性估计表现进行对比。模拟研究的结果表明:属性个数、样本量以及属性相关水平的变化,会对ILCA方法属性估计的准确性产生影响;在绝大多数情况下,ILCA方法属性估计准确性在边际属性掌握情况的估计方面要优于GDINA模型属性估计准确性。研究二同样为模拟研究,讨论在Q矩阵错误设定时,在数据生成模型,拟合模型,属性个数(K),样本量(N)以及属性相关水平(?),等五个自变量对ILCA方法在属性估计准确性方面的影响,并与GDINA模型产生的属性估计表现进行比较。模拟研究的结果表明:Q矩阵错误设定会对ILCA方法的表现产生影响。当Q矩阵错误设时,ILCA方法的属性估计准确率比Q矩阵正确设时明显下降;在与GDINA模型生成的属性估计准确率相比较时发现,两者在某些情况下存在一定差异,ILCA方法属性估计准确性在边际属性掌握情况的估计方面要优于GDINA模型属性估计准确性,其他方面基本保持一致。研究三为实证研究。首先,通过自编物理磁现象认知诊断问卷,对山东省两所高中的高一新生进行施测,收集研究需要的实证数据;其次,分别使用ILCA方法与GDINA模型对实证数据进行认知诊断评价;最后,对比两者之间的属性估计准确性。实证研究表明:通过对实证数据的认知诊断和属性估计,证明ILCA方法具有现实应用价值,因此,它可以用来生成分数报告。