随着大数据时代的来临,研究者不仅可以通过测验得到学生作答信息,同时还可以得到学生的过往信息。若有效使用过往信息,再结合认知诊断测验的作答信息,那么必然可以得到更准确的诊断结果。然而,现有的认知诊断方法并不能同时处理学生的作答信息和过往信息,因此,本文针对这一现状,提出了基于曼哈顿距离可融入多种信息的机器学习诊断法,文章主要分四个研究:研究一,理论分析了曼哈顿距离的优势与利用贝叶斯定理引入信息的可行性,并构建了M-PNN与MB-PNN两种诊断方法;研究二,探讨了M-PNN与MDD、EDD、KNN、PNN在条件下的判准率情况;研究三,探讨了引入信息情况下,MB-PNN与M-PNN、PNN,在不同条件下的判准率情况;研究四,在实证数据中,比较PNN、M-PNN、MB-PNN的有效性。具体研究结果如下:(1)从理论上来看,第一,在认知诊断中,曼哈顿距离要优于欧式距离;第二,贝叶斯定理可以用于引入信息进行处理。(2)在不同条件下,将欧式距离改为曼哈顿距离的M-PNN诊断法的判准率结果优于KNN、PNN、EDD三种非参数方法,与MDD不相上下,证明M-PNN中改进欧式距离为曼哈顿距离的有效性。(3)当引入信息时,使用含有贝叶斯定理的MB-PNN诊断法处理信息,得到的诊断结果优于M-PNN和PNN。这证明贝叶斯定理可用于引入信息,同时证明MB-PNN中增加贝叶斯定理的有效性。(4)在实证中,比较不同方法的归类覆盖率、属性掌握模式分布情况与属性通过率,发现MB-PNN要优于M-PNN,M-PNN优于PNN,这证明M-PNN、MB-PNN在实证研究中同样有效,同时证明修改距离、增加贝叶斯定理在实证中也能充分发挥作用。