CD-CAT剛剛興起，它還有一些技術問題尚未得到很好的解決，這嚴重影響了它的實際運用。本節將對其中最具有代表性的技術問題進行介紹。
一、CD-CAT的選題方法
與基於IRT的CAT一樣，在CD-CAT裏也要考慮選題方法問題。選題方法關係到所選題目是否真的“適配”被試當前的認知狀態和能力，以及“適配”的“程度”，進而關係到測試效率。如果選出的題不“適配”被試，那麽錯誤診斷的概率就會增大，而診斷評估的準確性將降低；或者，為了保證診斷評估的準確性，就需要使用更多的試題進行測試，而測試效率就降低了。隻有每次都選出最適配於被試認知狀態和能力的題目，才能用最少的題目、最少的時間達到預定的診斷精度，才能充分發揮CD-CAT的高效、快速的特點。開發CD-CAT的選題技術，首先可以借鑒傳統CAT的選題技術研究，將其推廣到CD-CAT（毛秀珍，辛濤，2011）。但是，傳統CAT選題的自適應體現在對被試總體水平（或能力）的自適應，是一種對單維連續特質的自適應，而CD-CAT選題的自適應體現在對被試KS的自適應，這是一種對多維離散認知狀態診斷的自適應（塗冬波等，2013）。因此，CD-CAT的選題技術研究更富有挑戰性，且需從認知診斷本身的特點出發，開辟新的思路。
根據測量的目標，可以將CD-CAT選題分為“基於認知狀態的選題”和“兼顧認知狀態與能力的選題”兩大類。以下分別介紹這兩類選題的技術。
（一）基於認知狀態的選題
1.依據多維離散變量分布的信息量選題
隻考慮認知狀態的CD-CAT，是認知診斷與CAT兩種測驗在原理上的嫁接，將傳統CAT自適應化被試能力的目標嫁接到了被試認知狀態估計上。依據香農熵（Shannon Entropy，SHE）和Kullback-Leibler信息量（KL）的選題方法及其改進方法，在這類CD-CAT的選題研究中占據了重要地位。對於基於認知狀態的選題，Tatsuoka（2002）以及Tatsuoka和Ferguson（2003）率先開發了最小化被試認知狀態後驗分布的期望香農熵算法，隨後Xu和Douglas（2003）提出了最大化KL信息量算法。