属性层次模型 :
在属性层次模型中，认知属性被假设为具有层级关系，它能够更好地反映人的认知特性。运用属性层次模型进行认知诊断的过程包括两个阶段:①识别认知属性和确定属性间的层级关系，对属性进行编码，生成邻接矩阵、可达矩阵、关联矩阵、约简的关联矩阵。②把被试观察反应模式划归为期望反应模式，以此得到被试的知识状态。在真实情况下，被试作答试题是有猜测和失误的。因此，得到的被试观察反应模式与期望反应模式就会在某些题上不符，属性层次模型将这种不同统称为slip，为了将带有slip的观察反应模式划归到某一种期望反应模式中，属性层次模型提出了A方法和B方法。
A方法是将需要判别的一个观察反应模式与所有的期望反应模式逐个比较，计算观察反应模式与每一个期望反应模式相似的概率，然后将该观察反应模式判归于具有最大相似概率的期望模式。该方法要找出其中所有的slip，这些slip包括两个集合：(0→1)和(1→0)。其中，(0→1)={对于被试期望反应为0，但观察反应模式为1的所有题的集合}，(1→0)={对于被试期望反应为1，但观察反应模式为0的所有题的集合}。
B方法认为对于某个观察反应模式的被试，它是掌握了所有逻辑包含在其中的期望反应模式的属性组合，而对于不逻辑包含的期望反应模式，则只考虑失误而不考虑猜测，即只计算1→0中这些slip的可能性。
通过以上两种方法可以将被试观察反应模式划归到某一种期望反应模式中，该期望反应模式对应的属性掌握模式就是被试的知识状态。
上述两种方法都是建立在项目反应理论基础上的，都需要在大样本条件下对模型参数进行估计，都必须满足项目反应理论的假设。如果由于种种原因影响了模型参数的估计精度，则运用A方法和B方法进行分类判别都可能出现较大误差。于是人们又提出了运用人工神经网络进行分类判别的方法。该方法首次运用一定数量的观察反应模型和对应的属性掌握模式作为学习样本对网络进行训练，然后将训练好的网络作为分类器对被试进行诊断判别。
属性层次模型与规则空间模型既有联系又有差异。二者的联系是，属性层次模型是在规则空间模型基础上发展起来的，因此它们都强调Q理论，即根据属性层级关系，得出连接矩阵→可达矩阵→事件矩阵→缩减事件矩阵→典型属性矩阵→典型项目反应矩阵，这一过程称为Q矩阵理论。它们都是在获取典型项目反应模式和典型掌握模式的前提下，采用一定的方法来实现对被试的判别和诊断。二者的差异表现在5个方面。①关于Q矩阵理论和测验的先后。属性层次模型特别强调在测验编制前，属性间的层级关系和逻辑关系要事先确定好，即在测验编制前要构建一定的认知模型，并经过实践验证，然后根据该模型来编制测验。规则空间模型则是在测验编制以后，再由专家根据试题来确定测验所考核的属性及其相互关系，属于事后分析性质，所以不一定能保证属性间层级关系的合理性。因此，从逻辑的角度来讲，属性层次模型比规则空间模型更加合乎逻辑，而且对于测验的编制有更强的指导意义。②对于被试进行诊断判别的方法。在确定了理想反应模式后，规则空间模型采用马氏距离和贝叶斯方法等统计判断技术来实现对被试的诊断；而层级反应模式则是采用了项目反应理论中的似然函数方法（包括A方法和B方法）或人工神经网络方法来对被试进行诊断判别。③在理想反应模式下对于项目参数和被试参数的获取。规则空间模型强调理想反应数据与所搜集到的数据一起进行估计，以保证项目参数在同一量尺上，而属性层次模型强调理想反应数据要独立进行项目参数和被试参数的估计。④理想反应模式下参数估计所采用的概率模型。属性层次模型认为理想状态下的作答应该是没有猜测和失误的，因此不宜采用三参数逻辑斯蒂模型，而规则空间模型是承认有异常反应的，每个理想反应模式都有一个异常反应指标，因此是可以采用三参数逻辑斯蒂模型的。⑤纯规则点的数量。规则空间模型的纯规则点数目一般多于理想反应模式的个数，这是由于在Q矩阵理论以外，它还通过访谈、调查等手段来获取被试在Q矩阵理论之外的其他典型错误类型，这就使得规则空间模型比属性层次模型的分析更加精细。