随着计算机技术的发展和项目反应理论(IRT)的日益完善,基于IRT的计算机化自适应测验(CAT),越来越体现出传统测验所无可比拟的优越性。近年来,认知诊断(CD)也越来越受到人们的重视,将认知诊断和计算机化自适应测验相结合,开发具有认知诊断功能的计算机化自适应测验(CD-CAT),使得对各个被试的知识状态有更加精确的估计。当前,对于CD-CAT的结果有几个方面的考虑:1)对被试知识状态的估计;2)先考虑被试知识状态的估计,再考虑能力的估计;3)对被试的知识状态和能力兼顾估计。在对被试的知识状态和能力进行估计的CD-CAT选题方法中,常用的是极大信息量方法(MI)、Kullback-Leibler信息函数法(KL)和Shannon熵方法(SHE)等。其中MI方法针对被试能力进行选题;而SHE方法和KL方法是针对被试的知识状态进行选题。本文采用Monte Carlo方法进行模拟。对几种选题方法在不同属性层级关系的条件下进行模拟与比较,并将MI方法和SHE方法相结合,设计出一种新的混合型选题方法,以便对被试的能力和知识状态都有较好的估计。其基本思想是:在被试作答试题后,先使用SHE方法选题,将题库中对于被试当前知识状态的Shannon熵值最小的一组题目选出作为备选题组,再使用MI方法选出备选题组中对于被试当前能力估计值的Fisher信息量最大的一道题目作为下一道题给被试作答。新的混合型选题方法可以在保证被试能力的估计值与“真值”之间的绝对误差的平均数较低的条件下,对被试的知识状态有较高精度的判断。