A Modelação Bayesiana de Equações Estruturais (BSEM) tem recebido atenção devido à sua capacidade de resolver problemas comuns encontrados nas abordagens frequencistas, como a não convergência, os casos de Heywood, as limitações do tamanho da amostra e as soluções inadmissíveis. Além disso, a BSEM pode estimar modelos complexos com os quais os métodos clássicos de máxima verosimilhança frequentemente se debatem. Um componente crucial da BSEM é a incorporação de conhecimento prévio através de distribuições a priori, o que oferece uma vantagem única sobre os métodos frequencistas, ao permitir que informações previamente conhecidas sejam incluídas de forma transparente nas especificações do modelo. A eliciação apropriada de priors é essencial para traduzir o conhecimento do domínio em distribuições de probabilidade, melhorando assim a precisão do modelo. Apesar disso, o desenvolvimento e a adoção generalizada de técnicas robustas de eliciação de priors em BSEM permanecem limitados.

Este projeto visa avançar o campo da BSEM através de métodos computacionais inovadores e aplicações práticas, com foco no processamento por GPU e no seu potencial para aumentar a eficiência das estimativas Bayesianas. Ao aproveitar as capacidades de computação paralela fornecidas pelas unidades de processamento gráfico modernas, o projeto procura acelerar substancialmente os processos computacionais envolvidos na BSEM. Adicionalmente, o projeto explorará o uso da BSEM no desenvolvimento de instrumentos psicométricos, empregando técnicas como o Markov Chain Monte Carlo (MCMC) utilizando o No-U-Turn Sampler (NUTS) para a estimação de modelos latentes. Estas inovações prometem oferecer insights mais profundos sobre as evidências de validade dos instrumentos psicométricos em diversas populações.

Os resultados esperados deste projeto incluem uma melhor eficiência computacional, estimações de modelo otimizadas e uma maior adoção dos métodos Bayesianos em contextos de investigação aplicada. Ao abordar desafios teóricos e práticos, este projeto visa contribuir para o uso mais amplo da BSEM na análise psicométrica.

A BSEM exige cálculos intensivos, especialmente para modelos de alta dimensionalidade, limitando o seu uso prático. Este projeto visa melhorar a eficiência através da computação paralela com GPUs, tornando os métodos Bayesianos mais acessíveis. A eliciação adequada de priors é vital, mas pouco desenvolvida. Este projeto procura utilizar frameworks padronizados para melhorar a precisão e a fiabilidade dos modelos. Os métodos psicométricos tradicionais enfrentam dificuldades com a incerteza e a integração de conhecimento prévio. Este projeto adaptará a BSEM para o desenvolvimento psicométrico utilizando técnicas avançadas de amostragem como MCMC (e.g., NUTS).

A abordagem metodológica baseia-se na implementação de algoritmos de estimação Bayesiana (via Stan e o pacote blavaan no R) otimizados para infraestruturas de computação de alto desempenho (HPC). O foco principal reside na comparação da eficiência entre CPU e GPU (utilizando OpenCL e kernels específicos) para modelos de análise fatorial confirmatória Bayesiana com variáveis categóricas.

Espera-se que o projeto resulte na publicação de artigos científicos de alto impacto que demonstrem a viabilidade técnica da aceleração por GPU em psicometria. Além disso, contribuirá para o refinamento de ferramentas de software open-source, facilitando o acesso da comunidade académica a métodos estatísticos robustos que eram anteriormente proibitivos devido ao tempo de computação.

Não foram encontrados registos.

Não foram encontrados registos.

Não foram encontrados registos.

Não foram encontrados registos.

Não foram encontrados registos.

Com o objetivo de aumentar a investigação direcionada para o cumprimento dos Objetivos do Desenvolvimento Sustentável para 2030 das Nações Unidas, é disponibilizada no Ciência_Iscte a possibilidade de associação, quando aplicável, dos projetos científicos aos Objetivos do Desenvolvimento Sustentável. Estes são os Objetivos do Desenvolvimento Sustentável identificados para este projeto. Para uma informação detalhada dos Objetivos do Desenvolvimento Sustentável, clique aqui.