一、認知診斷考試的在線標定
與單維二級評分模型下的在線標定相比，對於CD-CAT情境下的在線標定的研究還比較稀少。套用認知診斷模型的考試，與套用單維IRT模型的考試相比，二者的不同是，後者隻給出一個總體能力水平估計值，而前者則可以提供每位考生在不同被考量方麵（Attribute，又常翻譯為屬性）的掌握情況（二項結果：掌握或未掌握）。與多維度IRT模型相比，二者都可以給出多個考量方麵的測量結果，但多維度IRT給出的結果是各維度上的連續分數，而認知診斷模型給出的是二項結果。正因如此，多維度IRT的參數估計程序複雜，需要的考試題目較多，而認知診斷模型的參數估計程序簡單，可以從非常短的考試中較準確地分析出結果。而把CAT技術應用在認知診斷考試中，更進一步縮短了考試的長度，使得CD-CAT成為信息化課堂內對短期學習內容得力的快速診斷工具。
Chen等人（2012）開創性地討論了DINA模型題目參數（失誤參數s和猜測參數g）的在線標定算法。文章重點提出了由Stocking-A，OEM，MEM三種方法衍生出的CD-Method A，CD-OEM和CD-MEM三種參數估計法。在其他的設計因素方麵，他們使用了隨機選題法和以考生能力值為中心的試測題選題法，將試測題隨機嵌入全卷中，而他們並沒有使用任何試測終止規則。他們的模擬研究發現，當題目中的真實猜測度參數和失誤參數都較小時，CD-Method A對題目參數的估計比CD-OEM和CD-MEM更精準；當真實猜測度參數和失誤參數都較大時，CD-Method A不如CD-OEM和CD-MEM精準。
上述研究假定Q矩陣是已知的，而Chen，Liu和Ying（2015）提出了將Q矩陣和題目參數一起在線標定的算法。具體來說，他們的算法分為兩步，第一步先為每一種可能的Q矩陣算出使似然值最大化的題目參數，第二步再比較不同Q矩陣生成的最大似然值，找到使這個最大似然值最大化的Q矩陣。