Utilizando el aprendizaje profundo para elegir los valores de suavizado óptimos para la ecuación

Área de la Ciencia:

• Psicometría
• Aprendizaje automático
• La medición educativa

Sus antecedentes:

• Para mantener la integridad de la puntuación de la prueba, se utilizan formularios de prueba alternativos.
• La equiparación ajusta las puntuaciones entre las diferentes formas de prueba debido a las variaciones de dificultad.
• Se aplican métodos de alisado durante la igualación para minimizar los errores de muestreo.

Objetivo del estudio:

• Automatizar la selección de los valores óptimos de suavizado en la ecuación de ensayo.
• Evaluar la eficacia del aprendizaje profundo, específicamente las redes neuronales convolucionales (CNN), para esta tarea.
• Para comparar el rendimiento de una CNN con el juicio de expertos humanos en la elección de parámetros de suavizado.

Principales métodos:

• Una red neuronal convolucional fue entrenada en parcelas de post-aplanamiento clasificadas por humanos.
• La CNN entrenada se utilizó para determinar los valores óptimos de suavizado para los datos de pruebas empíricas.
• Las elecciones de la CNN fueron comparadas con las de expertos humanos.

Principales resultados:

• El modelo de aprendizaje profundo logró una tasa de acuerdo del 71% con expertos humanos.
• Esto indica un alto grado de concordancia entre el método automatizado y la selección manual.

Conclusiones:

• El aprendizaje profundo ofrece un enfoque automatizado viable para seleccionar valores de suavizado óptimos en la ecuación de prueba.
• Esta automatización tiene el potencial de mejorar la eficiencia y la coherencia del proceso de equiparación.