認知診斷模型種類繁多，每個模型總會針對某種特定的情形提出，很難對每種模型進行精確的分類。麵對種類繁多的模型，研究者在對各種模型進行比較時經常得出不同的結果，而實際應用中的選擇就更加困難。為此，有研究者嚐試放寬約束條件，使模型能夠適應更一般化的測驗情境。G-DINA模型（generalized deterministic inputs，noisy “and” gate，de la Torre，2011）就是一個非常好的嚐試方向。它是在DINA模型的基礎上，通過放寬部分假設條件而建構起來的。
一、DINA模型的局限
DINA模型認為所有擁有相同屬性掌握模式的被試答對題目的概率也是相同的。對於某個具體題目而言，隻要掌握了該題目測量的所有屬性，那麽這類被試答對該題的概率就是相同的，而隻要其中一個屬性未被掌握，那麽這類被試就和其他任何屬性也未掌握的被試一樣不可能答對這道題目。然而，這個假設存在比較明顯的不合理之處。DINA模型在判斷被試的屬性掌握模式時，用1表示掌握該屬性，用0表示未掌握該屬性。劃分被試是否掌握某個屬性的標準一般是由其作答反應的後驗概率值決定的，如果正確概率大於0.5則為掌握（1），小於0.5則為未掌握（0）。但其實被認定掌握了某屬性的被試群體中，不同個體對該屬性的掌握程度很可能是不相同的，有的正確掌握的概率接近1，有的正確掌握的概率就在0.5附近，而那些被認定為未掌握某屬性的被試群體中，也並不是所有被試都對該屬性一無所知，也存在掌握程度不同的情形。G-DINA模型對未完全掌握題目測量的所有屬性的被試群體進行了區分，不再假定所有這類被試答對的概率是相同的。
二、G-DINA模型的定義
在定義項目反應函數時使用了三種線性連接函數形式：恒等函數形式、邏輯函數形式和對數函數形式。當然，用這三種函數形式定義的模型與數據之間的擬合結果是一致的。本書隻介紹恒等形式的項目反應函數，在這個基礎上很容易理解其他兩種函數形式的意義。