认知诊断(Cognitive Diagnosis,CD)旨在深入探究个体内部的心理活动规律及加工机制,从而实现对个体认知过程的精准测量并提供针对性的补救措施。在认知诊断评估中,认知诊断模型(Cognitive Diagnosis Models,CDMs)发挥关键作用,主要用于反映个体属性掌握情况与项目作答反应之间的关系,其质量决定了认知诊断评估的精准性。由于真实测验情境的千变万化,研究者们须开发出各类模型来符合实际需求,这使得认知诊断模型的开发成为国内外研究的热点。然而,当前已开发的大部分认知诊断模型在建模时都仅仅考虑的是个体的作答反应,另一种重要的辅助信息——反应时(Response Times,RTs)却常常被研究者们所忽略。随着计算机的发展,项目水平上的反应时数据已非常容易获取。基于此,本研究在van der Linden(2007)层级框架建模思路的启发下,拟开发出融合反应时信息的饱和认知诊断模型(JVRT-LCDM),并利用全息贝叶斯MCMC(Markov Chain Monte Carlo)算法对其进行相应的参数估计。为了验证新模型的性能,本文共开展了三项研究,即一项理论研究与两项实验研究。具体而言,理论研究主要是从理论层面深入探讨新模型的开发过程与相应的参数估计过程,两项实验研究则分为实证研究与模拟研究,其中实证研究用于探索JVRT-LCDM在真实数据中的拟合性,以及考察被试的变化速度与能力之间的关系,而模拟研究则用于检验参数估计算法的合理性,同时考察JVRT-LCDM的有效性以及不同被试数量对JVRT-LCDM估计精度的影响。研究结果表明:(1)JVRT-LCDM相比其简化模型在真实数据中拟合更好,说明JVRT-LCDM在实际应用中具有良好的适用性。(2)被试在实际的测验中是以变化的速度答题的,并且被试能力与初始速度之间存在中等程度的负相关,而与线性趋势项呈正相关,与二次平方项呈负相关。另外,高能力被试的速度轨迹与低能力被试的速度轨迹存在明显的区别。(3)JVRT-LCDM模型参数估计精准度较高,项目参数返真性受到被试量的影响较大,项目参数估计精度随着被试量的增加而越高。