Using VAE for Incomplete Educational Data (2023)
- Authors:
- Autor USP: MONTECINO, CLAUDIA EVELYN ESCOBAR - INTER:ICMC-UFSCAR
- Unidade: INTER:ICMC-UFSCAR
- Sigla do Departamento: SME
- DOI: 10.11606/T.104.2023.tde-24082023-102049
- Subjects: TEORIA DE RESPOSTA AO ITEM; REDES NEURAIS; PSICOMETRIA; REGRESSÃO LOGÍSTICA; AUTOCONTROLE; DADOS QUALITATIVOS
- Keywords: Autoencoder; Autoencoder variacional; Dados ausentes; Dados educacionais incompletos; Incomplete educational data; Item response theory; Missing data; Neural networks; Variational autoencoder
- Agências de fomento:
- Language: Inglês
- Abstract: Em Psicometria, e em particular em avaliações educacionais, é comum encontrar bases de dados incompletas. A falta de tempo, esquecimento do conteúdo envolvido, nervosismo ou mesmo o delineamento da prova são alguns dos motivos pelos quais um indivíduo pode deixar itens sem responder em uma avaliação. Neste contexto, é importante a existência de métodos de estimação para modelos psicométricos que lidem com dados faltantes e sejam afetados o menos possível pela ausência de informação naqueles itens não respondidos. Num cenário de pequena dimensão, métodos tradicionais de estimação para modelos de Teoria de Resposta ao Item (TRI), por exemplo, são adequados para situações com dados completos e incompletos. No entanto, para situações de alta dimensionalidade, como em avaliações que envolvem muitas competências e habilidades latentes, os métodos tradicionais não são computacionalmente eficientes ou mesmo incapazes de obter estimativas para tantos parâmetros. Aprendizagem profunda vem sendo adaptada de forma a incorporar modelos de TRI e fazer previsões e estimações a partir de grandes bancos de dados, de alta dimensionalidade. Neste trabalho, aprofundamos a investigação de (?)]Curi, que definiu um Modelo Logístico de Dois Parametros (ML2P) na arquitetura de um autoencoder variacional (VAE) como uma proposta para solucionar o problema de estimação dos muitos parâmetros do modelo. Realizamos um estudo de simulação para comparar duas variações de redes neurais profundas,autoencoders (AE) e VAE, definidas com um modelo ML2P no decodificador, para situações com um número grande de traços latentes e dados completos. Após resultados favoráveis do VAE, propomos uma extensão do mesmo (IVAE) para poder fazer previsões em casos de dados faltantes e, assim, tornar o modelo mais geral e útil na prática. Simulações do modelo proposto foram realizadas sob diferentes cenários para investigar a eficiência do novo método na recuperação dos parâmetros. Comparações dos resultados com uma das metodologias atualmente mais indicadas em TRI para lidar numa situação de maior dimensionalidade, a máxima verossimilhança conjunta, também foram feitas, além da aplicação a um caso real de alta dimensão e com dados faltantes.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
- Data da defesa: 13.03.2023
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
MONTECINO, Claudia Evelyn Escobar. Using VAE for Incomplete Educational Data. 2023. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-24082023-102049/. Acesso em: 05 jun. 2024. -
APA
Montecino, C. E. E. (2023). Using VAE for Incomplete Educational Data (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/104/104131/tde-24082023-102049/ -
NLM
Montecino CEE. Using VAE for Incomplete Educational Data [Internet]. 2023 ;[citado 2024 jun. 05 ] Available from: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-24082023-102049/ -
Vancouver
Montecino CEE. Using VAE for Incomplete Educational Data [Internet]. 2023 ;[citado 2024 jun. 05 ] Available from: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-24082023-102049/
Informações sobre o DOI: 10.11606/T.104.2023.tde-24082023-102049 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
