题目属性定义一般有两种情形：一种是在已经定义好了测量目标认知模型的情形下，有目标地命制适合不同属性及其结构的题目；第二种情形是对于已经命制好的题目，需要事后给题目定义属性。
一、题目属性的事先定义
在定义好了测量目标认知模型的情形下命制题目，这应该是一个比较直接的过程。根据前面关于测量目标认知模型定义的方法，同时结合文献调查、专家定义对各类数据分析之后，可以得到一个关于测量目标认知模型的细致定义，包括各认知成分的定义及其结构关系的定义，而且还匹配一套关于认知成分的比较标准的示例题目。命题专家在这些信息的基础上命制题目，只需要严格按照认知模型的定义和提供的示例题目，这样获得的题目和属性之间应该可以保持比较高的一致性。
二、题目属性的事后定义和验证
为命制好的题目事后进行属性定义，这是一个过程。在进行题目属性定义之前，当然也需要首先定义测验的认知模型，测验认知模型的定义过程和上一种情形是相同的，只不过在当前这种情形下，题目命制和认知模型的定义是两个独立的过程，是事后再将两者结合在一起的。事后题目属性定义的方法主要有两种：一种是专家定义法；另一种是统计推断法。
专家定义法是领域专家参照定义的认知模型，为题目指定属性。如果认知模型定义地足够细致，且有参照示例题目，那么，专家的题目属性定义过程应该会比较有效。如果条件允许，最好能够给领域专家提供代表性被试的作答过程原始资料，以保证属性定义结果更加稳定有效。在专家定义法的实施过程中，针对每套题目，至少应该安排3位领域专家进行独立属性标定，最后对定义的结果进行一致性程度评价。如果整体一致性程度较低，那么专家对测验认知模型的理解可能存在歧义。如果只是在某些题目属性的定义上一致性程度较低，那么就需要根据具体问题分析产生的原因，最后专家达成一致意见。
应用统计推断法来给题目定义属性，是一种基于数据驱动的属性定义方法。统计推断法定义题目属性主要应用在两个方面：一是对已定义属性的题目进行验证，基于数据信息判断属性定义是否合适；二是对未定义属性的题目指定属性。
认知诊断模型用于描述拥有某种属性掌握模式的被试在定义了属性模式的题目上的作答反应。如果模型无法描述这两者之间的关系，那么模型参数就会表现异常。比如，当题目属性定义错误时，它就无法与被试属性掌握模式之间产生正确的对应关系，导致函数模型被扭曲，模型参数出现异常。许多研究者基于这种逻辑提出了不同的题目属性验证方法，以及对这些方法的改进。这里只介绍其中的两种方法供读者参阅和研究。
德拉托尔（delaTorre，2008）提出了一种基于DINA模型的题目属性验证方法——基于EM算法的δ系列搜索法（thesequentialEM-based δ-method）。假设某领域有K个属性，用αl（l=1，2，…，2K）表示2K种属性掌握模式，qj表示题目j的属性向量。对于DINA模型来说，如果题目属性定义正确，那么，掌握了所有属性的被试与未掌握所有属性的被试之间的正确作答概率之差应该达到最大，即正确的题目属性定义qj应该满足如下定义：
德拉托尔又提出了两种基于该指标的搜索正确题目属性定义的方法（delaTorre，2008）：一种是穷尽搜索法；另一种是系列搜索法。
