一、在線標定的概念
近二十年來，隨著電子信息技術的突飛猛進，與新型電子科技結合的考試越來越多，很多傳統的考試也都正向計算機化與自適應化方向發展。隨著考試設計越來越複雜、計算機自動化成分越來越多，考試的測量學模型也逐漸從傳統的經典測量理論（CTT）轉為了項目反應理論（IRT）。與CTT相比，IRT可以為題目質量分析提供更多的具體信息。更重要的是，IRT中估計考生能力水平的算法可以支持CAT中實時為每個考生選擇不同考題的模式，而CTT無法支持這一模式。這使IRT成了現代計算機化考試的必需。
當使用IRT創建和分析考試時，題目參數標定（Item Calibration）是一個必不可少的環節。題目參數標定指的是將某一選定的IRT模型與考生作答數據擬合，隨後通過統計上的算法估計出題目參數的值。現代考試很多都依賴大型題庫，而題庫中的每一道題，在使用和正式考試之前，都必須完成參數標定。參數標定的準確性直接影響著被試能力估計（Scoring）、等值（Equating）、項目功能差異分析的準確性，從而影響了考試的信度與效度。
對於長期施測的考試，隨著時間的推移，題庫中的一部分題目可能會出現過度曝光、內容過時陳舊或其他問題，而這部分題目需要被置換。每隔一段時間，考試開發方會開發一部分新題，用於補充題庫，而這些新題也需要完成參數標定。那些大型的、高利害的考試對題庫的質量要求相對較高，題庫置換（Item Bank Replenishment）的需求也相應較高。對於這類考試，如何高效地、準確地完成參數標定，是一個重要的問題。
傳統上，IRT參數估計需要通過專門的試測階段完成。考試開發方組織專門的試測，潛在考生自願參與，獲得的考分與正式成績無關，收集的作答數據僅用於標定題目參數。這種試測形式在開發一項新的考試時是必要的，然而在首輪考試正式啟用後，後續的新題則可以嵌入正式考試中，用以收集數據。美國的SAT考試一直使用這種嵌入式的試測模式。每一次正式考試，都有一部分新題試測。這些新題被分為若幹等分，每一等分則被嵌入一部分考生的考卷中，這些新題的分數不計入考生的總分。考生無法判斷哪部分是試測題，因此收集的作答數據更接近於真實考試的數據。然而，這也並不是最高效的參數標定模式。