一、认知诊断考试的在线标定
与单维二级评分模型下的在线标定相比，对于CD-CAT情境下的在线标定的研究还比较稀少。套用认知诊断模型的考试，与套用单维IRT模型的考试相比，二者的不同是，后者只给出一个总体能力水平估计值，而前者则可以提供每位考生在不同被考量方面（Attribute，又常翻译为属性）的掌握情况（二项结果：掌握或未掌握）。与多维度IRT模型相比，二者都可以给出多个考量方面的测量结果，但多维度IRT给出的结果是各维度上的连续分数，而认知诊断模型给出的是二项结果。正因如此，多维度IRT的参数估计程序复杂，需要的考试题目较多，而认知诊断模型的参数估计程序简单，可以从非常短的考试中较准确地分析出结果。而把CAT技术应用在认知诊断考试中，更进一步缩短了考试的长度，使得CD-CAT成为信息化课堂内对短期学习内容得力的快速诊断工具。
Chen等人（2012）开创性地讨论了DINA模型题目参数（失误参数s和猜测参数g）的在线标定算法。文章重点提出了由Stocking-A，OEM，MEM三种方法衍生出的CD-Method A，CD-OEM和CD-MEM三种参数估计法。在其他的设计因素方面，他们使用了随机选题法和以考生能力值为中心的试测题选题法，将试测题随机嵌入全卷中，而他们并没有使用任何试测终止规则。他们的模拟研究发现，当题目中的真实猜测度参数和失误参数都较小时，CD-Method A对题目参数的估计比CD-OEM和CD-MEM更精准；当真实猜测度参数和失误参数都较大时，CD-Method A不如CD-OEM和CD-MEM精准。
上述研究假定Q矩阵是已知的，而Chen，Liu和Ying（2015）提出了将Q矩阵和题目参数一起在线标定的算法。具体来说，他们的算法分为两步，第一步先为每一种可能的Q矩阵算出使似然值最大化的题目参数，第二步再比较不同Q矩阵生成的最大似然值，找到使这个最大似然值最大化的Q矩阵。