项目增补(Item Replenishing)对认知诊断计算机自适应测验(CD-CAT)题库的开发和维护有着至关重要的作用。在CAT或CD-CAT框架下,在线标定是一种重要的项目增补方式。然而,目前CD-CAT中可同时标定Q矩阵与项目参数的在线标定方法寥寥无几,且已有的方法均是基于决定型输入噪音与门模型(DINA)提出,这些方法可能无法直接适用于更一般化的认知诊断模型。本文的目的在于开发既能适用于缩减模型,也能适用于饱和模型的广义在线标定方法。本研究在已有在线标定方法SIE和JEA的基础上,基于项目先验信息提出了方法SIE-R,SIE-R-CY,JEA-R和JEA-R-CY,同时基于模型复杂性提出了SIE-RBIC和JEA-R-BIC方法。此外,基于观察作答分布与期望作答分布间一致性的思路提出了RMSEA-N方法。为验证本文提出的CD-CAT广义在线标定方法的性能,本文展开了两项Monte Carlo实验研究。探讨了各在线标定方法在DINA、DINO、ACDM、RRUM和G-DINA等模型下的效度,同时考察了项目参数范围(U[0.05,0.25]和U[0.1,0.4])、在线标定设计(随机标定设计和自适应标定设计)以及样本大小(500、1000和1500)等因素对各在线标定方法的影响。研究结果表明:(1)本研究提出的Q矩阵与项目参数的广义在线标定方法具有较为理想的项目标定精度,相较于已有方法具有更广泛的适用性。(2)项目参数范围的取值越小即项目质量越高,各在线标定方法的Q矩阵和项目参数估计正确率越高;在线标定设计对各在线标定方法的Q矩阵估计正确率有较小的影响,而对项目参数估计正确率的影响可忽略不计;大部分在线标定方法的Q矩阵与项目参数估计正确率均随样本量的增加而提高。(3)在DINA和DINO模型中,SIE-R-CY方法的项目标定精度最为理想,RMSEA-N方法次之;在ACDM、RRUM和G-DINA模型中,基于不同的项目参数范围及样本大小,RMSEA-N和SIE-R-BIC方法各有其优势。因而实际应用者可以根据具体条件选择适当的在线标定方法。最后,文章探讨了研究中存在的缺陷与不足,以及CD-CAT中Q矩阵与项目参数的广义在线标定方法的发展方向。