一、被試屬性掌握模式估計
被試屬性掌握模式估計方法有多種，如極大似然估計法（MLE）、極大後驗估計法（MAPE）、貝葉斯期望後驗估計法（EAPE）、馬爾可夫鏈蒙特卡洛法（MCMC）等。然而，在認知診斷計算機化自適應測驗環境下，一般會使用MLE法、EAP法進行參數估計。具體的參數估計方法，參閱本書前麵章節的相關內容。
二、測驗終止規則
認知診斷計算機化自適應測驗給不同的被試測試不同的題目，但最後總要有一個統一的測驗終止的規則。與基於IRT的CAT一樣，CD-CAT的終止規則一般也是兩種：固定測驗題目長度規則和固定被試水平估計精確性標準。
固定測驗題目長度規則就是雖然給不同被試測試了不同的題目，但測試的題目數量是固定不變的。固定測驗題目長度的方式有兩個方麵的優勢，一是符合大眾對測驗模式的一貫認知，如果不同被試在測試不同題目的同時，還測試了不同數量的題目，這可能會引起人們的疑惑。另外一個優勢主要是在研究中體現的，固定測驗長度可以比較不同選題策略的效率。當然，固定測驗題目長度規則的不足也是明顯的，雖然題庫足夠大但有限，無法保證每個被試最終的水平估計的精確性一致，特別是在CD-CAT中，可能還會導致不同屬性的估計精確性不一致。
固定被試水平估計精確性標準更能體現基於現代測量理論的計算機化自適應測驗的優勢。在認知診斷計算機化自適應測驗中，一般是設定屬性掌握模式估計的最大後驗概率水平在某一個特定值上，如0.9、0.95等。設定的最大後驗概率水平越高，被試的屬性掌握模式估計越穩定精確，當然，這也需要消耗更多的題目量。卡普蘭、德拉托爾和巴拉達的研究結果認為，題目質量會影響測試題目的長度。