在CAT实现过程中，如何对被试作答反应进行“记分”而获得被试的能力估计值？这不仅与自适应选题算法密切相关，也涉及被试能力分数的即时报告。因此，在自适应测验中，根据被试当前所有作答反应，需要采用相应的能力估计方法（Segall，1996；Wang，2015），以得到最新的被试能力估计值。下面简要介绍三类能力估计方法，分别是：极大似然估计方法、贝叶斯估计方法和加权似然估计方法。
一、极大似然估计方法
若被试作答n个项目，得分向量为u，给定项目反应理论模型和局部独立性假设，可计算似然函数和对数似然函数分别为
对数似然函数对能力θ的一阶微商为含能力θ的非线性方程组，需要使用迭代算法估计能力θ。给定对数似然函数的二阶微商为
牛顿-拉夫逊算法（Newton-Raphson algorithm）的迭代公式为
如果使用信息量I（θ）=-E［H（θ）］替代二阶微商，就可以得到费歇尔迭代方法（Fisher Scoring Approach）的迭代公式为
二、贝叶斯估计方法
若给定能力的先验分布f（θ），通常假设为标准正态分布。观察到得分数据之后，更新的能力后验分布为
其中f（u）为u的边际分布。按照能力后验分布，对能力θ求期望，可得能力θ的期望后验估计为
还可以按最大后验估计方法估计能力，牛顿-拉夫逊算法的迭代公式为
若能力的先验分布为N（μ，σ2），此时有
对应的信息量I（θ）=-E［H（θ）］+σ-2。
三、加权似然估计方法
由于极大似然估计方法得到的能力估计有偏差，为了得到无偏估计量，可以采用两种方法（Warm，1989；Firth，1993；Wang，2015；Wang ＆ Wang，2001），一种是直接修正性（Corrective）方法：
另一种方法是预防性（Preventive）方法，其牛顿-拉夫逊算法的迭代公式为