En el campo de la educación, el diagnóstico cognitivo es crucial para lograr un aprendizaje personalizado. El modelo DINA (Deterministic Inputs, Noisy And gate) ampliamente adoptado descubre el dominio de los estudiantes en habilidades esenciales necesarias para responder preguntas correctamente. Sin embargo, los enfoques basados en DINA existentes pasan por alto la dependencia entre los puntos de conocimiento, y su proceso de entrenamiento del modelo es computacionalmente ineficiente para grandes conjuntos de datos. En este documento, proponemos un nuevo modelo de diagnóstico cognitivo llamado BNMI-DINA, que significa Modelo de Diagnóstico Cognitivo Incremental Multiproceso basado en Redes Bayesianas. Nuestro modelo propuesto tiene como objetivo mejorar el aprendizaje personalizado al proporcionar evaluaciones precisas y detalladas de las habilidades cognitivas de los estudiantes. Al incorporar una red bayesiana, BNMI-DINA establece la relación de dependencia entre los puntos de conocimiento, lo que permite evaluaciones más precisas de los niveles de dominio de los estudiantes. Para mejorar la velocidad de convergencia del modelo, los pasos clave de nuestro algoritmo propuesto se paralelizan. También proporcionamos una prueba teórica de la convergencia de BNMI-DINA. Experimentos extensos demuestran que nuestro enfoque mejora efectivamente la precisión del modelo y reduce el tiempo de computación en comparación con los modelos de diagnóstico cognitivo de vanguardia.