传统的测验往往只报告一个测验总分,而不考虑被试潜在的心理过程和认知特点。不同于传统测验,认知诊断可以评估个体认知过程或知识结构等信息。目前,大部分的认知诊断测验都仅限于诊断学生属性掌握情况。在诊断后学生如何进行学习,教师如何选取合适的学习材料等问题,认知诊断评估并没有给出解答。当前的教育模式主要是班级教学,千篇一律的教学流程可能会使学生对学习失去兴趣,这在一定程度上遏制了学生的发展。随着互联网的发展,根据学生差异提供不同的学习资源的自适应学习(Adaptive Learning)已成为国内外学者的研究热点。因此,开展基于认知诊断的自适应学习研究就显得尤为必要。基于前人的研究,本文建构了基于认知诊断的自适应学习系统的四个模型:材料模型,属性模型,学习者模型和材料推送模型。学习材料推送模型是本研究的重点内容。本研究将材料推送的问题情景分成两种:每个材料仅包含一个属性以及每个材料可以包含多个属性。在不同的问题情景下,根据相应的推荐规则,建立了惩罚函数(penalty function),同时使用遗传算法(genetic algorithm)为每个学习者选择合适的学习材料。本文通过两项Monte Carlo模拟实验以及一个真实数据运用综合考察了基于认知诊断自适应学习材料推送算法的效果。研究结果表明:(1)本文开发的基于认知诊断自适应学习材料推送算法具有较理想的效果,且基本可行。该算法能为不同学习类型的学习者推送与其相适应的学习材料。(2)使用遗传算法推送的学习材料具有较低的惩罚函数值,且远远优于随机推送法。且与随机算法相比,基于遗传算法选取的学习材料更加适合学习者。(3)使用遗传算法推送的学习材料在认知特征(属性、难度、掌握概率和层级关系)和非认知特征(媒体、内容、背景和时间)上都有很高的正确率。(4)在Tatsuoka分数减法真实数据中的应用研究发现,基于认知诊断自适应学习材料推送算法具有较理想的效果,具有较好的潜在应用情景。