天才一秒记住【梧桐文学】地址：https://www.wtwx.net
的被试答对这道题的概率。
Maris（1999）对gi作了另一种解释：被试使用其他心理资源（MentalResources）而答对题目的概率。
si表示第i题的失误参数（SlipParameter），指的是“掌握了该题所测全部属性”
的被试答错这道题的概率。
在DINA模型中，所有被试答对第i题的概率只有两种情况：一种是“掌握了该题所测全部属性”
的被试，他们答对该题的概率是1-si；另一种是“未掌握该题所测全部属性”
的被试，他们答对该题的概率是gi。
因此，DINA模型不允许属性间有补偿作用，故属于非补偿模型。
而前文所提到的规则空间模型、统一模型、融合模型和下文即将提到的RRUM模型都是允许属性间有补偿作用的模型。
DINA模型是一个比较简单、直观的模型，较容易估计和解释，故当前在国内外使用最多。
但DINA模型存在的局限性也正和它的优点一样鲜明：它的每个题目只把被试笼统地分为“掌握了该题所测全部属性”
和“未掌握该题所测全部属性”
两大类，并假设所有“未掌握该题所测全部属性”
的被试答对该题的概率相等，但事实上这个假设有些牵强。
七、高阶DINA模型
&las（2004）认为在认知诊断中，作为知识状态的属性间可能存在相关，这跟心理学里一般智力（Geelligence）或一般能力（GeneralAbility）的概念相对应。
在传统DINA模型基础之上，他们又假设：认知属性之间相互独立，并从属于一个更高阶的能力θ；在给定认知属性的前提下，作答反应之间相互独立。
由此，他们提出了高阶DINA模型（HO-DINA），并提出了具体的MCMC算法。
在HO-DINA模型中，α与θ之间存在如下关系：
其中，λ0k是属性k的截距，而λk是属性k在能力上的负荷。
在属性较多时，HO-DINA模型较为简洁。
值得注意的是，HO-DINA模型里的θ，与IRT模型里的θ在概念上不是一回事。
IRT模型里的θ是指整体能力，而HO-DINA模型里的θ是指整体能力中去掉了特殊能力之后而留下来的“一般能力”
。
不过也有研究表明，二者之间有较高的相关。
涂冬波、蔡艳、戴海琦和丁树良（2011）探讨了HO-DINA模型参数估计的实现及模型性能，他们发现：①对项目参数、属性参数和被试参数估计返真性较好、稳健性较强，HO-DINA模型具有较高的判断率，MCMC算法可行；②诊断的属性个数越多，诊断的模式正确率越低，建议实际使用该模型时，诊断的属性个数不宜达到7个；③用于诊断的项目数越多，诊断的模式正确率越高，在实际工作中，若要保证有80%以上的模式判准率，则4个属性的至少需要20题，5个、6个和7个属性的至少需要40题，8个属性的至少需60题。
实际运用者应根据实际情况考虑适当的项目数及属性数。
随后，赵顶位（2012）比较了不同属性结构和项目参数条件下HO-DINA模型的性能。
结果发现，当猜测率g和失误率s都低的情况下，HO-DINA的属性判准率和模式判准率都较高；HO-DINA模型对无结构型和分支型的属性结构的判准率较高，对线型和收敛型的判准率较低。
HO-DINA模型已经应用于实际应用研究。
如涂冬波（2009）基于HO-DINA模型开发了小学儿童数学问题解决认知诊断CAT系统，并实现了对小学儿童数学问题解决的认知诊断。
至此，一些重要的认知诊断模型已经介绍完毕。
在这些模型中，没有哪个模型是全面优于其他模型的；在实际工作中，应该根据具体测验情境来选择在这种情境下最合适的模型。
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！