随着社会的发展,人们已经不满足于只给出一个总分的成就性测验,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。根据这种需求,近些年认知诊断评价蓬勃发展。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。为了帮助评估被试的认知状态,Leighton等人(2004)在对规则空间模型研究的基础上提出了基于属性层级关系的认知诊断模型——属性层级模型(Attribute Hierarchy Model ,AHM)。根据已确定的属性之间的层级关系,属性层级模型可以将被试在试题上的作答反应即观察反应模式划归为某种期望反应模式,以此得到被试的知识状态。人工神经网络作为一种自适应的模式识别技术,具有很强的学习能力和联想功能以及容错性能等,在解决一些复杂的模式识别问题中显示出其独特的优势。这些优势使得它在模式识别中有着越来越广泛的应用。Gierl和Cui等人(2007)应用多层感知器神经网络进行认知诊断分类,且仅采用期望反应模式及其对应的属性掌握模式作为训练集。与此不同,本文使用其他人工神经网络(BP网络、Hamming网络以及PNN网络)进行认知诊断分类,并且扩大了训练集。通过对0-1评分的AHM模式分类仿真实验表明,与AHM中以往的模式分类方法相比,本文使用的人工神经网络方法不仅具有较高的归准率而且更具有自适应性和鲁棒性。