Contribuições para Modelos de Diagnóstico Cognitivo

• Ano de defesa: 2021
• Autor(a) principal: Oliveira, Eduardo Schneider Bueno de
• 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: Bayesian statistics; Bounded responses; Cognitive diagnosis models; Continuous responses; Dichotomous responses; Estatística Bayesiana; Latent variables; Modelos de diagnóstico cognitivo; Respostas contínuas; Respostas dicotômicas; Respostas limitadas; Variáveis latentes
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-22042021-134729/

Modelos de Diagnóstico Cognitivo (MDCs) são modelos de variáveis latentes úteis para identificar o perfil de respondentes através de testes ou avaliações. Eles são usados principalmente em avaliações educacionais, mas também podem ser considerados para analisar outros tipos de variáveis latentes, incluindo traços de personalidade e outras áreas na psicometria, bem como qualquer tipo de dados que se enquadre em análises por meio de itens. Diferentemente dos modelos de Teoria de Resposta ao Item (TRI), nos quais a variável latente é contínua, em um MDC a variável latente é discreta, porém, as respostas podem ter os mais variados formatos. A proposta dessa pesquisa é contribuir para o estado da arte dos MDCs, preenchendo lacunas ainda existentes, com especial ênfase nos MDCs sob abordagem Bayesiana. Os capítulos dessa tese seguem uma sequência de construção de MDCs para diferentes tipos de variável resposta. Primeiramente, é mostrado um estudo colaborativo com o modelo DINA dicotômico, já presente na literatura, visando um melhor entendimento dos MDCs e mostrando a comparação de métodos de estimação já explorados com uma nova abordagem MCMC, por meio do algoritmo No-U-Turn Sampler (NUTS). São mostrados estudos de simulação e a metodologia é utilizada para uma aplicação na área de saúde mental. A seguir, considerando respostas contínuas, exploramos, sob abordagem Bayesiana, a extensão do modelo DINA para esse tipo de resposta (C-DINA), realizando um estudo de sensibilidade de prioris e avaliando o desempenho da metodologia por meio de estudos de simulação, bem como trazendo uma explicação mais detalhada da lógica da construção por trás de modelos dessa classe e mostrando uma aplicação relacionada à percepção de risco. Na sequência, propomos um MDC inédito, para respostas limitadas no intervalo unitário (B-DINA), explicitando os detalhes de sua formulação e estimação, sob abordagem Bayesiana, avaliando a recuperação de parâmetros da metodologia de estimação proposta por meio de estudo de simulação e também mostrando o potencial de seu uso em uma aplicação para dados sócio-demográficos. Por fim, propomos novas distribuições de probabilidade para variáveis aleatórias limitadas no intervalo unitário, com desenvolvimento de modelos de regressão quantílica com efeitos mistos, realização de estudos de simulação e uma aplicação para dados de pobreza extrema. Os diversos estudos de simulação e aplicações ao longo do texto mostram que as propostas trazem bons resultados e tem potencial de uso por pesquisadores de diversas áreas, com os códigos utilizados para a estimação dos parâmetros tornados disponíveis.