作为新一代测验理论的重点,认知诊断受到国内外研究者们的广泛关注[1]。认知诊断模型的建立是为了评估被试,得到个体的详细信息,教师可以通过得到的详细信息对学生进行个性化的教育,而不是没有任何根据地对学生进行没有差别的教育[2]。通常的认知诊断模型都是应用统计模式识别方法将被试知识状态进行分类,而Leighton等人提出的属性层级模型(AHM)更强调属性层级[1][3] ;DINA模型(Deterministic Inputs,Noisy“And”Gate Mode)在每个项目上加上失误参数(Slipping)和猜测参数(Guessing) [4][5].AHM与DINA是认知诊断当中运用相对广泛的两个模型,它们都是连接模型,即当被试掌握了项目中所有的属性时,其理想反应为正确,否则出现错误反应。对于这两种模型,它们的分类方法不一样,分类准确性会有相应的优劣。我们可以提出这样的问题:“用不同模型分析同样一个测验,它们的分类准确性会怎么样?运用不同性质的测验编制考察同一批被试,结果会怎么样?考查的属性个数不同,最佳测验长度设置多少?”对于影响分类准确性的各种因素,本文通过Monte Carlo模拟,着重分析了属性层级,测验编制,分类方法,测验长度等因素对分类诊断性的影响。这些因素都会不同程度影响诊断的准确性。本文同时也对AHM和DINA两个诊断模型进行对比,比较它们在不同因素影响下判准率的结果。实验表明,含有可达阵的编制的判准率比不含可达阵的编制的判准率要高。对于线型结构测验长度增加对诊断准确率的改进不大。AHM对属性结构更“敏感”,而DINA对属性层级更“迟钝”。项目质量越差即失误率越大,模式判准率和边际判准率越低。属性结构松散度越大,判准率越低。总体而言,DINA分类准确性要优于AHM。