Aplicação de otimização por enxame de partículas na estimativa de parâmetros de itens calibrados com teoria da resposta ao item

• Victor H. W. Freire Universidade de Pernambuco (UPE) / Mídias Educativas Ltda.
• Rubens E. Carneiro Universidade de Pernambuco (UPE) / Mídias Educativas Ltda.
• Rodrigo E. Carneiro Universidade de Pernambuco (UPE) / Mídias Educativas Ltda.

DOI: https://doi.org/10.5753/cbie.sbie.2019.1771

Resumo

Este trabalho faz uso da aplicação de uma técnica de otimização por enxame, o Particle Swarm Optimization (PSO), para obtenção dos parâmetros utilizados pela Teoria de Resposta ao Item (TRI) no Exame Nacional do Ensino Médio (ENEM). O método proposto consiste na extração de uma amostra representativa de respondentes do ENEM, aplicação do PSO juntamente com a TRI para obtenção das notas e posterior cálculo dos erros em relação às notas oficiais divulgadas. O resultado mostrou a viabilidade da utilização de inteligência de enxames para obtenção de parâmetros de questões já calibradas pela TRI, com erros equivalentes, ou até menores que os obtidos pelos métodos tradicionais.

Palavras-chave: Otimização por enxame, Teoria de Resposta ao Item, ENEM, PSO, TRI

Referências

Andrade, D. F. De, Tavares, H. R., & Valle, R. da C. (2000). Teoria da Resposta ao Item : Conceitos e Aplicações. Associação Brasileira de Estatística.

Bastos Filho, C. J. a., de Lima Neto, F. B., Lins, A. J. C. C., Nascimento, A. I. S., & Lima, M. P. (2008). A novel search algorithm based on fish school behavior. 2008 IEEE International Conference on Systems, Man and Cybernetics, 2646–2651. DOI: 10.1109/ICSMC.2008.4811695

Bendtsen, C. (2012). pso: Particle Swarm Optimization. Retrieved from [link]

Carneiro, R. E., Lima Neto, F. B., & Silveira, D. S. (2014). Modelagem de Usuários Baseada em Estilo de Aprendizagem, Teoria da Resposta ao Item e Lógica Fuzzy para Sistemas Adaptativos Educacionais (p. 21). DOI: 10.5753/cbie.wcbie.2014.21

Chalmers, R. P. (2012). mirt : A Multidimensional Item Response Theory Package for the R Environment. Journal of Statistical Software, 48(6). DOI: 10.18637/jss.v048.i06

Bonyadi, M. R., & Michalewicz, Z. (2016). Particle Swarm Optimization for Single Objective Continuous Space Problems: A Review. Evolutionary Computation, 25(1), 1–54. DOI: 10.1162/EVCO_r_00180

Clerc, M. (2006). Capitulo 15. On Parallelism. Particle Swarm Optimization.

Eberhart, R. (2006). Particle Swarm Optimization Particle Swarm Optimization The inventors : Particle Swarm Optimization Particle Swarm Optimization. Science, 1–12.

Eberhart, & Yuhui Shi. (2002). Particle swarm optimization: developments, applications and resources, 81–86. DOI: 10.1109/cec.2001.934374

Karaboga, D., & Basturk, B. (2007). A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. Journal of Global Optimization, 39(3), 459–471. DOI: 10.1007/s10898-007-9149-x

Kennedy, J., & Eberhart, R. (1994). Prognostic evaluation of abdominal echography in typhoid fever. Giornale di Malattie Infettive e Parassitarie, 46(10), 1942–1948. DOI: 10.1109/ICNN.1995.488968

Spenassato, D., & Kinas, P. G. (2010). Teoria da Resposta ao Item : estimação dos parâmetros pelos métodos de Amostragem por Importância Adaptativa e Monte Carlo via Cadeias de Markov. In CNMAC (pp. 1004–1005).

Team, R. C. (2018). R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. Retrieved from [link]