Profundizando en el Modelado Diagnóstico: Modelos Cognitivos Diagnósticos Profundos (DeepCDM) | JoVE Visualize

Área de la Ciencia:

Medición Educativa y Psicometría
Aprendizaje Automático
Inteligencia Artificial

Sus antecedentes:

Los Modelos Cognitivos Diagnósticos (CDM) se utilizan ampliamente en la medición educativa y psicológica para el modelado de variables latentes discretas.
Los CDM existentes enfrentan desafíos en la identificabilidad, parsimonia e interpretabilidad, particularmente en escenarios de diagnóstico complejos.
El modelado generativo profundo ofrece ventajas potenciales para capturar estructuras de datos intrincadas y mejorar las propiedades del modelo.

Objetivo del estudio:

Proponer una nueva familia de Modelos Cognitivos Diagnósticos Profundos (DeepCDM) integrando el modelado generativo profundo con los principios de CDM.
Abordar las limitaciones de los CDM tradicionales mejorando la identificabilidad, la parsimonia y la interpretabilidad en el diagnóstico cognitivo.
Desarrollar métodos teóricamente sólidos y prácticamente aplicables para el modelado diagnóstico discreto profundo.

Principales métodos:

Se introdujeron los DeepCDM, una nueva clase de modelos que aprovechan las arquitecturas generativas profundas para el diagnóstico cognitivo.
Se establecieron condiciones matemáticas para la identificabilidad de los DeepCDM, incluida la identificación única de parámetros y matrices Q en todas las profundidades.
Se desarrollaron formulaciones bayesianas y algoritmos eficientes de muestreo de Gibbs para la estimación de parámetros en el entorno confirmatorio con matrices Q conocidas.

Principales resultados:

Se demostró que los DeepCDM son completamente identificables, incluso en entornos exploratorios, determinando de forma única los parámetros y las matrices Q.
Se mostró la parsimonia estadística de los DeepCDM, lo que permite un modelado de datos expresivo con menos parámetros debido a la profundidad del modelo.
Se destacó la interpretabilidad práctica de los DeepCDM, con una arquitectura profunda que facilita el diagnóstico de habilidades multigranularidad, de gruesa a fina.

Conclusiones:

Los DeepCDM representan un avance significativo en el modelado cognitivo diagnóstico, ofreciendo una mejor identificabilidad, parsimonia e interpretabilidad.
La metodología propuesta proporciona un marco sólido para el modelado diagnóstico discreto profundo con condiciones de identificabilidad transparentes.
La evidencia empírica de simulaciones y la aplicación a datos de TIMSS 2019 confirman la utilidad y eficacia de los DeepCDM.