Modelo Transformer Autoencoder Mascarado para Imputação de Dados Discretos para Questionários Psicométricos Educacionais

• Ano de defesa: 2025
• Autor(a) principal: Freire, Guilherme Mendonça
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Dados faltantes; Item response theory; Missing data; Modelo transformer; Neural networks; Redes neurais; Teoria de resposta ao item; Transformer model; Variational autoencoder
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-30072025-105943/

Modelos de Teoria de Resposta ao Item (TRI) são bastante difundidos e aplicados em avaliações psicométricas para estimar comportamentos, habilidades, proficiências, aprendizado e distúrbios. Essa metodologia permite estimar traços latentes de indivíduos a partir das respostas a itens de um questionário ou prova. Recentemente, modelos da TRI foram incorporados em redes neurais profundas não supervisionadas, da família dos autoencoders, buscando maior flexibilidade e escalabilidade para análise de dados educacionais ou psicológicos de maior dimensão e complexidade. Os modelos do tipo autoencoders são caracterizados por duas redes neurais: uma de codificação que comprime os dados (encoder) e uma de decodificação que tenta reconstruir os dados originais (decoder). As atuais propostas incorporam um modelo de TRI no decoder, tornando essa parte da rede interpretável e capaz de estimar uma maior dimensão de habilidades e complexidade dos dados. No entanto, a grande limitação dessa metodologia é a incapacidade de lidar com a ausência de respostas para um ou mais itens do questionário ou prova. Dados faltantes são bastante comuns nas avaliações educacionais, seja por limitação de tempo de prova, ignorância do conteúdo avaliado no item ou, até mesmo, por planejamento de aplicação da prova de avaliação educacional. Os métodos de estimação usuais na TRI são capazes de lidar com dados faltantes e já foram muito investigados na literatura. Porém, no contexto das novas implementações com autoencoders, estes estudos são escassos, não tão eficazes e podem aumentar o nível de complexidade computacional demasiadamente. Esta pesquisa de trabalho implementou uma arquitetura de rede neural, utilizando modelos Transformers com mecanismos de self-attention, para imputar dados faltantes de avaliações educacionais e melhorar a qualidade das estimativas dos parâmetros do modelo de TRI e interpretabilidade dos resultados. Foram realizadas simulações para comparar com métodos tradicionalmente empregados na literatura. O novo método demonstrou desempenho melhor na redução da complexidade, tempo de execução e na estimativa de parâmetros da TRI para grandes conjuntos de dados e altas dimensões. Uma aplicação real também foi realizada com os dados do PISA.