假設data從公式8產生的，所以-1以上的Probability和Rasch相似；-1以下，出現random guessing的效果。文章探討如何去掉guessing的影響，把guessing最小化，使得item location能較準確回復。假設人的能力與題目的相對位置會有不同猜測的程度，且只考慮random guessing。低能力的人，對於難度相對高的題目，很可能有猜測行為！
優點：
去除了c參數估計的困難性。
設法去除guessing response提高item location估計值的準確性。
如果data fit Rasch model
1. 不用假設person distribution（CML）
2. 簡單性、不用加權分數
方法的邏輯：
從CAT的角度出發，適性選擇適合能力的item，其它則為missing value。所以把極難和極易的去除，再把低能力人在難度高的題目反應當作missing value。但這些低能力人的位置，是基於第一次分析的結果，再進行tailored analysis的。所以cut point的選擇很重要。在simulation時，從figure 2可知，選擇-1為cut point是合適的，所以table 3的結果上，item loacation回覆的不錯。但在real data，cut point設定在哪，paper中是採用較conservative的點（-1）！
受試者必須從6~8個選項中選適當的答案，但Rasch model只有0、1的response，thresholds的概念似乎不存在？
限制：
Rasch model擁有statistically invariant parameter estimates，用Andersen』s theorem才恰當。當加discrimination parameter到Rasch model，此paper提出的方法之效果可能會混淆。
疑問：
在實際情況下，通常全部的作答反應都要考慮，再估計受試者的能力。但在tailored analysis之後，低能力的人會不爽你刪他答對的題目，而降低他的能力估計值。也會不爽高能力的人，他們的能力估計值變得更高了。尤其在high-stake testing！
何不用修改過的3PLM來fit有guessing的data？（尋找公式8的y值）。說不定比tailored method更fit？不過這不是本文篇的重點。此外paper有提到，人的能力估計要先解決，才能考慮在移除guessing後或沒移除前，model-data fit的問題。
此外，是否能夠每一題有獨立的y值，但資料不足可能不容易估計。
Andersen's theorem的asymptotic特性到多少總樣本、子樣本比例，算可接受？
實驗設計中，Person number是多少？
在table 1，real data的分析中，有些題目難度估計值很高，但還是判定為non-guessing item（SE都偏大）；有些難度估計值低的（小於-1），卻被判定為guessing item（SE很小）。但大致上tailored之下item的難度都較anchor之下的大，符合預期的pattern。
延伸：
Anchor item就是找乾淨題，也許DIF的purification methods可以應用，怎麼應用還要想想。
CDM的DINA model也有guessing參數。也許可用來分析Distinguish partial and no knowledge guessing的區分！也許DINA中有些題目不需要guessing。但問題是沒有theta的概念，如何將本篇的方法應用到CDM中？