CD-CAT刚刚兴起，它还有一些技术问题尚未得到很好的解决，这严重影响了它的实际运用。本节将对其中最具有代表性的技术问题进行介绍。
一、CD-CAT的选题方法
与基于IRT的CAT一样，在CD-CAT里也要考虑选题方法问题。选题方法关系到所选题目是否真的“适配”被试当前的认知状态和能力，以及“适配”的“程度”，进而关系到测试效率。如果选出的题不“适配”被试，那么错误诊断的概率就会增大，而诊断评估的准确性将降低；或者，为了保证诊断评估的准确性，就需要使用更多的试题进行测试，而测试效率就降低了。只有每次都选出最适配于被试认知状态和能力的题目，才能用最少的题目、最少的时间达到预定的诊断精度，才能充分发挥CD-CAT的高效、快速的特点。开发CD-CAT的选题技术，首先可以借鉴传统CAT的选题技术研究，将其推广到CD-CAT（毛秀珍，辛涛，2011）。但是，传统CAT选题的自适应体现在对被试总体水平（或能力）的自适应，是一种对单维连续特质的自适应，而CD-CAT选题的自适应体现在对被试KS的自适应，这是一种对多维离散认知状态诊断的自适应（涂冬波等，2013）。因此，CD-CAT的选题技术研究更富有挑战性，且需从认知诊断本身的特点出发，开辟新的思路。
根据测量的目标，可以将CD-CAT选题分为“基于认知状态的选题”和“兼顾认知状态与能力的选题”两大类。以下分别介绍这两类选题的技术。
（一）基于认知状态的选题
1.依据多维离散变量分布的信息量选题
只考虑认知状态的CD-CAT，是认知诊断与CAT两种测验在原理上的嫁接，将传统CAT自适应化被试能力的目标嫁接到了被试认知状态估计上。依据香农熵（Shannon Entropy，SHE）和Kullback-Leibler信息量（KL）的选题方法及其改进方法，在这类CD-CAT的选题研究中占据了重要地位。对于基于认知状态的选题，Tatsuoka（2002）以及Tatsuoka和Ferguson（2003）率先开发了最小化被试认知状态后验分布的期望香农熵算法，随后Xu和Douglas（2003）提出了最大化KL信息量算法。