认知诊断最初由教育心理学家提出，用于心理测量，其根源可追溯到20世纪90年代。弗雷德里克森等人。[ 7 ] 被认为于 1993 年正式引入了认知诊断相关的理论和概念，而 Nichols 等人。[ 8 ] 1995年进一步对这些理论和概念进行了全面的总结和分类。[ 9 ] 2007年，CDM被认为是一种很有前途的评估模型，可以深入研究一个领域的底层结构，并找出问题和需要改进的领域。[ 10 ]提出，由认知诊断算法（CDA）提供的测试可以指定总体测试分数背后的底层知识结构，并且该指定可以作为反馈，通过补救指导和改进指导来满足个人和群体的需求，以增强学习和能力。 2009 年的能力。作为评估的诊断方法，CDA 需要统计和数学模型来实施假设。CDM 是心理测量模型，利用项目反应模式来确定考生的认知能力 [ 11 ]。在所有CDA研究中，统计模型的选择是关键的一步，需要密切关注和考虑模型选择标准。然而，在大多数CDA研究中，应用预定CDM的测试是根据模型的特点和实用性问题来选择的。所以李等人。[ 12 ]仔细研究了阅读理解测试的CDM选择所需的考虑因素，发现当认知技能之间的关系不完全清晰时，使用饱和的（更复杂的）CDM是安全的，它可以灵活地适应不同类型的CDM。 2016 年技能之间的关系。目前，认知诊断可以有广义和狭义两种定义。从广义上讲，认知诊断利用基于计算机的测试和统计方法等现代技术来评估用户的认知能力和结构[ 13 , 14 ]。另一方面，从狭义上讲，认知诊断根据用户对特定知识点的掌握程度进行分类，并将分类结果用于个性化的教育干预。

认知诊断在教育行业的应用导致了传统在线课堂向个性化教育的转变[ 15 , 16 ]。认知诊断模型可以从两个角度来区分。首先，根据其诊断连续分数的能力，它们可以分为连续诊断模型或离散诊断模型。其次，认知诊断模型可以根据其处理学生认知能力维度的方法进行分类。这种分类产生一维技能诊断模型和多维技能诊断模型。目前，已有60多种认知诊断模型可用。这些模型包括基于规则的模型、属性层次模型、确定性输入、噪声与门（DINA）模型以及各种变体[ 17、18 ]，例如模糊CDF模型[ 19 ]。DINA 模型的改进版本，例如 HO-DINA [ 20 ]、P-DINA [ 21 ]、G-DINA [ 22 ] 和增量 DINA (I-DINA) 模型 [ 23 ] 也属于现有模型用于认知诊断研究。

贝叶斯网络的历史可以追溯到 20 世纪 80 年代初。1988 年，Pearl 等人。[ 24 ]在其开创性论文中首次介绍了贝叶斯网络的基本概念和推理方法。值得注意的是，Pearl 的工作还引入了“因果图”的概念，它扩展了概率图模型以纳入因果关系，从而为进一步发展奠定了基础。在 20 世纪 90 年代，该领域的研究从表示问题扩展到了推理和学习 [ 25 ]，使得贝叶斯网络在各种应用中更加实用。随着21世纪计算能力的进步和数据的指数级增长，贝叶斯网络在医学[ 26 ]、金融[ 27 ]和自然语言处理[ 28 ]等不同领域得到了广泛的应用。该领域的研究在推理、学习和贝叶斯网络的应用方面也取得了重大进展[ 29 ]。

在最近的研究中，贝叶斯网络和 DINA 模型的集成引起了人们的关注，在学生建模、知识追踪和技能拓扑方面有着显着的应用。例如，科纳蒂等人。[ 30 ]将贝叶斯网络应用于Andes项目[ 31 ]，这是一个专注于牛顿物理学的智能教育系统，用于模拟学生推理和学习过程中的不确定性。在知识追踪领域[ 32 ]，Pelánek[ 33 ]引入了贝叶斯知识追踪（BKT），它利用贝叶斯网络来推断知识追踪模型中的潜在学生变量。此外，Käser 等人。[ 32 ]利用动态贝叶斯网络（DBN）对知识跟踪中的技能拓扑进行建模。虽然这些工作对贝叶斯网络的应用做出了重大贡献，但它们的主要重点在于学生建模、知识追踪和技能拓扑。与此同时，以 AFMeta 为代表的异步联邦元学习的最新突破有效解决了落后和过度拟合等问题，从而显着提高了模型性能并显着减少了学习时间[34 ]。在基于教育的信息分析领域，基于文本数据的学生学习评估方法的检验已成为一个重要的研究领域。刘等人。[ 35 ]引入了一种基于实时文本数据属性的创新学习评估方法，克服了传统评估方法的局限性。结果凸显了利用实时属性文本数据在衡量学生学习成果方面的卓越有效性。