在CAT實現過程中，如何對被試作答反應進行“記分”而獲得被試的能力估計值？這不僅與自適應選題算法密切相關，也涉及被試能力分數的即時報告。因此，在自適應測驗中，根據被試當前所有作答反應，需要采用相應的能力估計方法（Segall，1996；Wang，2015），以得到最新的被試能力估計值。下麵簡要介紹三類能力估計方法，分別是：極大似然估計方法、貝葉斯估計方法和加權似然估計方法。
一、極大似然估計方法
若被試作答n個項目，得分向量為u，給定項目反應理論模型和局部獨立性假設，可計算似然函數和對數似然函數分別為
對數似然函數對能力θ的一階微商為含能力θ的非線性方程組，需要使用迭代算法估計能力θ。給定對數似然函數的二階微商為
牛頓-拉夫遜算法（Newton-Raphson algorithm）的迭代公式為
如果使用信息量I（θ）=-E［H（θ）］替代二階微商，就可以得到費歇爾迭代方法（Fisher Scoring Approach）的迭代公式為
二、貝葉斯估計方法
若給定能力的先驗分布f（θ），通常假設為標準正態分布。觀察到得分數據之後，更新的能力後驗分布為
其中f（u）為u的邊際分布。按照能力後驗分布，對能力θ求期望，可得能力θ的期望後驗估計為
還可以按最大後驗估計方法估計能力，牛頓-拉夫遜算法的迭代公式為
若能力的先驗分布為N（μ，σ2），此時有
對應的信息量I（θ）=-E［H（θ）］+σ-2。
三、加權似然估計方法
由於極大似然估計方法得到的能力估計有偏差，為了得到無偏估計量，可以采用兩種方法（Warm，1989；Firth，1993；Wang，2015；Wang ＆ Wang，2001），一種是直接修正性（Corrective）方法：
另一種方法是預防性（Preventive）方法，其牛頓-拉夫遜算法的迭代公式為