本研究主要是針對傳統電腦化適性測驗 (Computerized AdaptiveTesting) 的測驗理論，提出一個新的灰色預測選題策略，用以提昇系統的效率，而新的選題策略對於高能力或低能力的學生能明顯的改善估計學生終值能力的收斂速度，對於考生而言，將無須耗費過多時間在中等難度的測驗試題上，相較於傳統電腦化適性測驗，對能力值居於兩極的學生而言，灰色預測選題之電腦化適性測驗反倒更符合適性測驗的精神。而且在進行電腦化適性測驗時，所用到的計算過程相當複雜而且費時，採用新的灰色預測電腦化通性測驗選題策略，則能有效改善傳統電腦化適性測驗的執行效率。在新的選題策略上，係利用灰色預測理論對考生的學習能力進行預測，並依預測能力值由題庫中挑選具最大訊息量的試題進行測驗，若學生終止能力指標較所預測的能力值為大，考生會答對所挑選的題目，若學生終止能力指標較所預測的能力值為小，則會答錯所挑選的題目，預測的能力值將隨考生的答題反應，進行修正。
為了進行進一步的實驗研究，本研究發展一套測驗系統進行傳統與灰色預測選題的分析比較，經多次的實驗發現，灰色預測選題的應用能有效地提昇估計學生能力的收斂速度。在同樣的誤差範圍下，採用較少題目就能測出學生真正的能力，對於測驗系統的執行效率有顯著的提昇，而在終止測驗的條件上，若採用同樣的題數，灰色預測選題會有較高的精確度，因此本研究所提出之新選題策略，對於改進電腦化適性測驗系統的整體效率實有助益。

The purpose of this research is to improve the efficiency of item selection strategy in traditional CAT (Computerized Adaptive Testing) through Gray Prediction Method (GPM) . Based on the Gray Theory, student's competence can be predicted through his/her previous responses and feed back a new item with maximum information among item pool to proceed competence evaluating. The calculation of maximum information is carried out with three parameter method based on Item Response Theory. The prediction operation will be continued until the student's ultimate competence is reached. It was found that the convergence speed of competence prediction of GPM is faster than that of traditional CAT method after several experiments. That is, student's competence can be found within fewer tested items through GPM than traditional CAT method with the same error tolerance. It is apparent that the strategy of GPM can be an efficient method for selecting a proper item in CAT.