Uma aplicação do teste adaptativo computadorizado via Filtro de Kalman Não-Linear

Abstract

Computarized Adaptive Test (CAT) é um tipo de teste baseado em recursos computacionais que se adapta ao nível de habilidade dos examinandos. Essencialmente, uma implementação do CAT requer dois elementos fundamentais: um banco de itens calibrado e um algoritmo para seleção adaptativa dos itens. Este trabalho tem foco no segundo elemento, para o qual apresentamos uma adaptação à formulação não linear dos filtros de Kalman, prescrita por Harvey (1989), combinada com o conhecido princípio da máxima entropia (Kullback, 1997). Neste trabalho, estudos de simulação avaliam a acurácia da estimação de proficiências em aplicações CAT, desenvolvendo duas classes de estimadores utilizando a metodologia da Teoria da Resposta ao Item para construção dos modelos probabilísticos, e suavizações recursivas ancoradas nos modelos dinâmicos, para a formulação dos modelos de Filtro de Kalman (Harvey, 1989) e Power Steady (Smith, 1979). Como resultado são apresentados sete novos estimadores da proficiência, sendo o primeiro baseado no Filtro de Kalman e os demais no Power Steady, a saber: FK_EAP, PS_EAP, PS_MAP, PS_EAP_AVG, PS_EAP_MEDIAN, PS_MAP_AVG, PS_MAP_MEDIAN. Os quatro últimos são suavizações baseadas na média e na mediana das estimativas correntes de . Com as simulações, observou-se que os estimadores PS_EAP e PS_MAP geram estimativas cíclicas, sendo corrigidas com a suavização proporcionada pelo estimador PS_EAP_AVG. Portanto, com o estudo realizado nesta dissertação conclui-se que, dentre os sete estimadores avaliados, o PS_EAP_AVG e o FK_EAP geram as melhores alternativas às estimativas de proficiência ao CAT tradicional.