最早的选题算法是基于洛德提出的最大信息量选题方法，测验效率高，但项目曝光率极高。1985年，Sympson和Hetter第一个提出用条件概率方法来解决项目过度曝光问题，其基本思想是在项目选择和最终分配之间加设一个曝光控制参数（Exposure Control Parameters），用来决定项目最终施测的概率。条件概率方法可有效控制过度曝光的项目，但并不能有效提高不太使用项目的使用率，后来有研究提出了一系列的改进方法，如按区分度a分层选题策略（Chang ＆ Ying，1999）和综合区分度a和难度b分层的选题策略（Chang，Qian ＆ Ying，2001）。还有吸取a分层思想的动态分层方法。下面简要介绍条件概率方法、a分层方法和动态a分层方法。
一、条件概率方法
条件概率法（Sympson ＆ Hetter，1985），它是一种利用条件概率对项目曝光率进行控制的方法，其基本思想就是在项目选择和最终分配之间，设置两个概率和阈值来进行动态控制项目曝光。这两个概率分别是P（S）和P（A|S），其中P（S）表示采用某种选题策略时某个项目被选择的概率；P（A|S）表示被选题策略选中的项目被分配给被试的概率。P（A|S）被称为曝光控制参数，这是因为：P（S）往往由选题算法、题库和施测对象的分布所决定，基本上是不变的；由条件概率计算公式，可计算某一个项目被分配给被试的概率为P（A）=P（S）P（A|S），如果某一项目已经被选题策略选中，那么要不要分配这个项目给被试则取决于P（A|S）。
P（A|S）往往通过模拟实验动态进行调整。如在既定的题库下，按照一定的选题算法和施测对象分布（如能力分布为正态分布），多轮模拟CAT施测过程，动态调整P（A|S），直到项目的最大曝光率不超过某一个预设值R为止。具体来说，在每次模拟研究结束时，可得到各个项目被选题策略选中的概率P（S），各个项目被分配给被试作答的概率P（A）。对于那些较少被选中的项目，即P（S）≤r，在下一轮模拟过程中，这些项目的曝光控制参数P（A|S）可以设置为1，仍可保证P（A）=P（A|S）P（S）≤r，以增加这些项目的曝光率；对于那些频繁被选中的项目，即P（S）＞r，可以将曝光控制参数P（A|S）设置为r/P（S）。直到所有项目的曝光率P（A）不超过某一个预设值R为止，整个模拟过程终止，并将最终得到的曝光控制参数P（A|S）用于类似模拟情景的真实测验情景。