随着社会的发展,人们不满足于只对个体宏观层次的评价,而是希望能从被试的实际作答反应中获得更多有关被试认知结构的信息,以便对被试做出更具体更客观的评价,并且给出相应的补救措施。认知诊断根据被试作答反应诊断出被试对认知属性的掌握情况,从而获得被试的具体认知状况并给出补救措施。Leighton等人提出的属性层级模型(Attribute Hierarchy Method ,AHM)是一种认知诊断模型,该方法假设测验项目是由一组具有层级结构的属性来表征的,测验前先确定属性层级关系,然后根据被试的作答反应把被试归类到相应的知识状态中,据此对被试进行有效的、有针对性的补救。本文的研究就是在属性层级关系下进行的。支持向量机(Support Vector Machine, SVM)具有坚实的统计学理论基础,已成为一种倍受关注的分类技术,是借助于最优化方法解决机器学习问题。这种技术在许多实际应用(如手写数字的识别、文本分类等)中展示了大有可为的实践效用。支持向量机能用小样本获得全局最优解,并具有良好的推广性能。本文将SVM应用到属性层级关系下的认知诊断分类中,对0,1计分测验进行实验,并与认知诊断中典型的分类方法进行比较。结果表明,利用支持向量机的分类效果具一定的优点。支持向量机用小样本训练集,在保证较高的判准率的同时所需的运行时间较短。测验项目中属性的标定存在专家工作量大、易于疲劳和所需经费较大等问题,根据以上实验中SVM所显示出的优点,并且Qt穷尽了所有项目类,而用扩张算法将可达阵R扩张成Qt ,本文提出在已知部分“关键”项目( Qt中的项目)所含属性的基础上,将支持向量机应用于其它未知项目的属性认定。实验表明,将SVM应用于项目属性认定,具较高判准率和一定的可行性,这对于推进认知诊断测验有一定的意义。