ESCALA PSICOMÉTRICA NA AVALIAÇÃO COGNITIVA DO APRENDIZADO DE MÁQUINA
Teoria da Resposta ao Item; Aprendizagem de Máquina;
Métricas; Classificação; Psicometria; Cognição
A Inteligência Artificial (IA) desempenha atividades complexas, e
determinar métodos de avaliação cognitiva após as etapas de aprendizagem é
fundamental para aplicação da IA. O objetivo desta Tese foi avaliar as
dificuldades (b) calculadas pela escala psicométrica da Teoria da Resposta
ao Item (TRI) nas seguintes situações: nas classificações dos algoritmos em
diferentes situações de fatores adversos aos algoritmos, nos resultados das
métricas e nas regras de tomada de decisão para a cognição. Foram
comparadas as classificações de 34 algoritmos não supervisionados em 11
datasets, os resultados das métricas do Erro Quadrado Médio (EQM),
Precisão, Sensibilidade e Especificidade com os valores de b. Destacando os
grupos de algoritmos habilidosos nas dificuldades de classificação:
k.means.fit.Lloyd (15,90% dos 45,45%), Fanny (18,18%), Clara (11.35%),
Cluster-Medoids (9,09%), Sota (9,09%) e PAM (6,81%), assim como os modelos
1PL e 3PL da TRI como melhores referências de b para situações adversas
para as classificações mais complexas.