Exportação concluída — 

Deep IRT : an application of deep learning methods to Item Response Theory

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Bastos, Lucas de Moraes
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Teoria de resposta ao item (TRI)
Redes neurais profundas
Aprendizado de máquina
Inteligência artificial
Link de acesso: http://repositorio.unb.br/handle/10482/51120
Resumo: Dissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2024.
id UNB_05ca4482d8ee76c7ced6c8aa699737d5
oai_identifier_str oai:repositorio.unb.br:10482/51120
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Deep IRT : an application of deep learning methods to Item Response TheoryTRI Profundo : uma aplicação de métodos de redes neurais profundas à Teoria de Resposta ao ItemTeoria de resposta ao item (TRI)Redes neurais profundasAprendizado de máquinaInteligência artificialDissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2024.Este trabalho buscou um novo método para a estimação do nível de conhecimento de alunos, no contexto de TRI para estimação da habilidade latente, o que foi feito ao criar um modelo de redes neurais capaz de utilizar algoritmos de aprendizado de máquina a fim de estimar os parâmetros do ML3. Essa rede foi aplicada ao Exame Nacional do Ensino Médio (Enem), resultando em estimativas mais precisas do que alcançado por métodos tradicionais. Também faz parte do escopo deste trabalho a replicação dos métodos oficiais de correção e atribuição de notas aos alunos em uma linguagem aberta. O trabalho é introduzido por uma contextualização do que é o Exame Nacional do Ensino Médio, destacando sua relevância para a população e para a educação do país. Os métodos utilizados na correção desse exame são indicados, com observações acerca de suas limitações intrínsecas. Então, métodos de inteligência artificial são ilustrados, demonstrando sua abrangência e grande utilidade, e, em sequência, a utilização desses métodos em Teoria de Resposta ao Item, na área que está sendo denominada TRI Profunda, sendo este trabalho uma expansão dos modelos atualmente disponíveis e sua aplicação aos dados do Enem. Em seguida, a revisão de literatura busca cadenciar o surgimento da TRI Profunda, tratando inicialmente da própria TRI e de redes neurais profundas, para mostrar como o modelo tradicional de 3 parâmetros (ML3) pode ser escrito como uma rede neural. Então, é mostrado sucintamente o modelo de TRI Profunda de Tsutsumi et. al (2021) e o que seriam positional encoders, método utilizado mais à frente. Ainda como parte da revisão, são resumidas informações sobre o método de estimação utilizado pelo Inep e sobre as bases de dados disponibilizadas publicamente e que foram o escopo de análise deste trabalho. O Capítulo seguinte apresenta os dois métodos propostos para tratar dados binários originados de respostas de alunos a um teste: ML3 Raso (Shallow 3PL) e ML3 Profundo (Deep 3PL), buscando extender os modelos previamente revisados, especialmente no caso deste último, que se deriva mais diretamente do modelo de Tsutsumi et al. (2021). Os modelos utilizam estratégias diferentes para lidar com o grande volume de dados de entrada, um com camadas de embedding e o outro com positional encoders. A Aplicação inicialmente descreve os passos percorridos neste trabalho, desde o tratamento da base de dados, indicando os softwares e métodos utilizados. Então são apresentados os resultados, primeiramente comparando o alcançado pelo Inep utilizando o software proprietário BILOG e sua replicação no mirt, pacote de TRI disponível no R. Estes resultados são então comparados aos modelos propostos, destacando-se a performance do modelo ML3 Raso, mais preciso (com o menor EQM e perda) e maior verossimilhança das probabilidades de acerto estimadas às respostas empíricas. Os resultados alcançados em lingaguem aberta também indicam performance superior, apesar da falta de informações divulgadas sobre o método oficial de estimação. Por fim, esses resultados são sintetizados na Conclusão, com sugestões para trabalhos futuros, destacando-se a fixação dos parâmetros dos itens na estimação das habilidades dos alunos. Assim a estimação das notas poderá ser feita pelo algoritmo Adam, muito mais parcimonioso, em vez das aproximações e integrações (Quadratura Gaussiana) do algoritmo EM utilizado. Dessa forma, apresenta-se uma alternativa que poderia contribuir com o trabalho atualmente feito pelo Inep, tanto na questão da transparência do cálculo das notas dos alunos, como na simplicidade e maior confiabilidade da estimação conduzida pela rede neural.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).This work aimed to provide a new method for the estimation of examinees’ abilities in the IRT context, which was done by designing a novel neural network capable of using machine learning algorithms to estimate the 3PL IRT model parameters. This network was applied to Brasil’s National High School Exam (Enem), yielding more accurate estimates than the traditional methods. It is also in the scope of this work to replicate the official methods used in the evaluation of students’ grades in an open software.Instituto de Ciências Exatas (IE)Departamento de Estatística (IE EST)Programa de Pós-Graduação em EstatísticaRodrigues, Guilherme SouzaBastos, Lucas de Moraes2024-12-09T19:37:12Z2024-12-09T19:37:12Z2024-12-092024-06-12info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfBASTOS, Lucas de Moraes. Deep IRT: an application of deep learning methods to Item Response Theory. 2024. 62 f., il. Dissertação (Mestrado em Estatística) — Universidade de Brasília, Brasília, 2024.http://repositorio.unb.br/handle/10482/51120engA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-12-09T19:37:13Zoai:repositorio.unb.br:10482/51120Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-12-09T19:37:13Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Deep IRT : an application of deep learning methods to Item Response Theory
TRI Profundo : uma aplicação de métodos de redes neurais profundas à Teoria de Resposta ao Item
title Deep IRT : an application of deep learning methods to Item Response Theory
spellingShingle Deep IRT : an application of deep learning methods to Item Response Theory
Bastos, Lucas de Moraes
Teoria de resposta ao item (TRI)
Redes neurais profundas
Aprendizado de máquina
Inteligência artificial
title_short Deep IRT : an application of deep learning methods to Item Response Theory
title_full Deep IRT : an application of deep learning methods to Item Response Theory
title_fullStr Deep IRT : an application of deep learning methods to Item Response Theory
title_full_unstemmed Deep IRT : an application of deep learning methods to Item Response Theory
title_sort Deep IRT : an application of deep learning methods to Item Response Theory
author Bastos, Lucas de Moraes
author_facet Bastos, Lucas de Moraes
author_role author
dc.contributor.none.fl_str_mv Rodrigues, Guilherme Souza
dc.contributor.author.fl_str_mv Bastos, Lucas de Moraes
dc.subject.por.fl_str_mv Teoria de resposta ao item (TRI)
Redes neurais profundas
Aprendizado de máquina
Inteligência artificial
topic Teoria de resposta ao item (TRI)
Redes neurais profundas
Aprendizado de máquina
Inteligência artificial
description Dissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2024.
publishDate 2024
dc.date.none.fl_str_mv 2024-12-09T19:37:12Z
2024-12-09T19:37:12Z
2024-12-09
2024-06-12
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv BASTOS, Lucas de Moraes. Deep IRT: an application of deep learning methods to Item Response Theory. 2024. 62 f., il. Dissertação (Mestrado em Estatística) — Universidade de Brasília, Brasília, 2024.
http://repositorio.unb.br/handle/10482/51120
identifier_str_mv BASTOS, Lucas de Moraes. Deep IRT: an application of deep learning methods to Item Response Theory. 2024. 62 f., il. Dissertação (Mestrado em Estatística) — Universidade de Brasília, Brasília, 2024.
url http://repositorio.unb.br/handle/10482/51120
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1839083873718239232

Registros relacionados