Receba gratuitamente todos os nossos conteúdos.

Fique por dentro das novidades e oportunidades referentes à Psicometria e Análise Quantitativa de Dados.

Curva Característica do Item (CCI) e Curva de Informação do Teste (CIT)

Se você já leu ou ouviu falar da Teoria de Resposta ao Item, certamente você já viu termos como Curva Característica do Item (CCI) e a Curva de Informação do Teste (CIT).

Neste post vamos descomplicar tudo e explicar de forma prática como essas curvas são importantes na teoria da medida e como podem ser usadas na prática em avaliações educacionais e psicológicas.

A curva característica do item (CCI) e a curva de informação do teste (CIT) são conceitos importantes na teoria da medida, particularmente em avaliação educacional e psicológica. Essas curvas são usadas para entender e avaliar a qualidade dos itens de teste e das próprias avaliações.

Curva Característica do Item (CCI)

A curva característica do item (CCI) é uma curva que representa a probabilidade de um participante responder corretamente a um item de teste em relação ao nível de habilidade que o participante tem na construção avaliada. Essa curva é construída a partir da análise de respostas de um grande número de participantes em diferentes níveis de habilidade. A CCI é usada para avaliar a qualidade dos itens de teste, ou seja, a capacidade de um item de discriminar entre os participantes com diferentes níveis de habilidade.

A CCI é uma curva sigmoide, com uma forma semelhante à função logística (Figura 1), por outro lado a Curva de Informação do Item (escala politômica) deriva do padrão de respostas aos thresholds.

A curva começa com uma probabilidade muito baixa de resposta correta para participantes com níveis de habilidade muito baixos, aumenta rapidamente à medida que o nível de habilidade aumenta e, em seguida, se estabiliza em um nível máximo de probabilidade de resposta correta para participantes com níveis muito altos de habilidade.

Figura 1

A CCI é importante porque fornece informações sobre a dificuldade e a discriminabilidade de um item. A dificuldade é medida pela localização da curva na escala de habilidade, enquanto a discriminabilidade é medida pela inclinação da curva.

Os itens que são altamente discriminativos têm curvas com inclinação mais íngreme, o que significa que são capazes de distinguir entre os participantes com níveis de habilidade semelhantes. Já os itens menos discriminativos têm curvas com inclinação mais suave e são menos eficazes em discriminar entre participantes com níveis de habilidade próximos.

Curva de Informação do Teste (CIT)

A curva de informação do teste (CIT) é uma curva que representa a quantidade de informação que um teste pode fornecer sobre o nível de habilidade de um participante em diferentes níveis de habilidade.

CIT é derivado da soma das CII. É construída a partir da soma das curvas características de todos os itens em um teste. A CIT é usada para avaliar a qualidade de um teste, ou seja, a precisão com que um teste mede a habilidade do participante.

A CIT começa com uma quantidade muito baixa de informação sobre o nível de habilidade do participante para os níveis de habilidade muito baixos, aumenta rapidamente à medida que o nível de habilidade aumenta e, em seguida, se estabiliza em um nível máximo de informação para participantes com níveis muito altos de habilidade Figura 2).

Figura 2

A CIT é importante porque fornece informações sobre a precisão de um teste em medir a habilidade do participante em diferentes níveis de habilidade. Testes que são altamente precisos têm curvas com inclinação mais íngreme na parte central da curva, o que significa que são capazes de medir a habilidade do participante com maior precisão em uma ampla gama de níveis de habilidade. Já os testes menos precisos têm curvas com inclinação mais suave e são menos eficazes em medir a habilidade do participante em uma ampla gama de níveis de habilidade. Assim, a CIT possibilita comparar diferentes versões de um teste.

Agora que entendemos o que são a CCI e a CIT, vamos dar dois exemplos de como elas podem ser usadas na prática.

Exemplos de CCI e CIT

Exemplo 1: Avaliação de itens de teste

Digamos que você é um professor de matemática e precisa criar um teste para avaliar a compreensão dos seus alunos. Para garantir que as perguntas do teste sejam adequadas, você pode usar a CCI para avaliar a qualidade de cada pergunta.

A CCI pode ajudar a identificar quais perguntas são muito fáceis ou muito difíceis e quais são mais discriminativas, ou seja, que ajudam a distinguir os alunos que têm habilidades diferentes. Assim, você pode selecionar as melhores perguntas para compor seu teste e garantir uma avaliação mais precisa e justa.

Exemplo 2: Avaliação de testes

Suponha que você trabalha com recrutamento e seleção de pessoal e precisa avaliar as habilidades de comunicação oral de candidatos a um cargo em sua empresa. Você pode aplicar um teste específico para avaliar essas habilidades e usar a CIT para avaliar a qualidade do teste. A CIT pode ajudar a identificar quais são as habilidades que o teste mede com maior precisão e em quais níveis de habilidade o teste é mais discriminativo. Com base nessas informações, você pode fazer uma seleção mais precisa dos candidatos que melhor se adequam ao perfil da vaga.

Resumindo, a CIT pode ajudar a identificar quais são as habilidades que o teste mede com maior precisão e em quais níveis de habilidade o teste é mais discriminativo. Com base nessas informações, você pode fazer uma seleção mais precisa dos candidatos que melhor se adequam ao perfil da vaga.

A CCI ajuda a identificar perguntas ou itens que são mais discriminativos ou que precisam ser aprimorados, enquanto a CIT avalia a precisão do teste como um todo. Com essas informações em mãos, é possível criar avaliações mais justas e precisas, que realmente medem as habilidades e competências que se deseja avaliar.

Espero que agora você se sinta mais familiarizado com essas curvas e possa aplicá-las em sua própria pesquisa.

Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).

BRUNO FIGUEIREDO DAMÁSIO

Sou Psicólogo, mestre e doutor em Psicologia. Venho me dedicando à Psicometria desde 2007.

Fui professor e chefe do Departamento de Psicometria da UFRJ durante os anos de 2013 a 2020. Fui editor-chefe da revista Trends in Psychology, da Sociedade Brasileira de Psicologia (SBP) eEditor-Associado da Spanish Journal of Psychology, na sub-seção Psicometri e Métodos Quantitativos.

Tenho mais de 50 artigos publicados e mais de 3000 citações, nas melhores revistas nacionais e internacionais. Atualmente, me dedico a formação de novos pesquisadores, através da Psicometria Online Academy. Minha missão é ampliar a formação em Psicometria no Brasil e lhe auxiliar a conquistar os seus objetivos profissionais.

Deseja se tornar completamente autônomo e independente na análise dos seus dados?

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Veja mais

Posts relacionados

Covariância e correlação

Covariância e correlação

Se você é estudante, professor ou pesquisador você está no lugar certo. Hoje, vamos mergulhar em um conceito fundamental: covariância e correlação. Na análise de dados, entender a relação entre

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Em análise de dados, Modelos Lineares (LMs) e Modelos Lineares Generalizados (GLMs) são duas técnicas fundamentais que desempenham papéis cruciais na modelagem e interpretação de dados. Embora ambos compartilhem o

Explorando as etapas da análise de dados

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na interpretação e compreensão de conjuntos

Breve check list para escrita de artigo acadêmico

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo de pesquisa é essencial para

O que são médias marginais?

O que são médias marginais?

Ao começar com estatísticas descritivas tradicionais, como as médias brutas, reconhecemos a necessidade de ir além, considerando possíveis viéses decorrentes de variações no número de observações e covariâncias. A pergunta-chave

Covariância e correlação

Covariância e correlação

Se você é estudante, professor ou pesquisador você está no lugar certo. Hoje, vamos mergulhar em um conceito fundamental: covariância e correlação. Na análise de dados, entender a relação entre

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Em análise de dados, Modelos Lineares (LMs) e Modelos Lineares Generalizados (GLMs) são duas técnicas fundamentais que desempenham papéis cruciais na modelagem e interpretação de dados. Embora ambos compartilhem o

Explorando as etapas da análise de dados

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na interpretação e compreensão de conjuntos

Breve check list para escrita de artigo acadêmico

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo de pesquisa é essencial para

O que são médias marginais?

O que são médias marginais?

Ao começar com estatísticas descritivas tradicionais, como as médias brutas, reconhecemos a necessidade de ir além, considerando possíveis viéses decorrentes de variações no número de observações e covariâncias. A pergunta-chave

Cadastre-se para ser notificado com o link das aulas ao vivo:

Módulo 4: Redes neurais artificiais

• Introdução a Deep Learning

• Avaliando sistemas de Deep Learning

• Redes Neurais feitas (sem programação) no SPSS

• Aula bônus: O futuro da IA na Sociedade

• Aula bônus: Dois Estudos de Caso 

Módulo 3: Interpretar e reportar resultados

• Gerar, interpretar e reportar resultados em Machine Learning

Módulo 2: Criando o seu sistema

• Selecionando algoritmos e métodos 
• Práticas de Machine Learning (Sem programação): Decision Tree (JASP), Linear Discriminant Classification (JASP) e Plataforma ORANGE
• Aula Bônus: Avaliação Psicológica e Machine Learning
• Aula Bônus: Livros e Cursos recomendados  
• Aula Bônus: Entrevista com Cientista de Dados focado na área da Saúde

Módulo 1: O que é Machine Learning

• O que é Machine Learning?
• Como a máquina aprende?
• Machine Learning para Psicometria e Pesquisa Quantitativa (pesquisas comentadas)
• Tipos de Machine Learning (Supervisionado e Não-supervisionado)
• Práticas de Machine Learning (Sem programação): JASP e SPSS
Aula Bônus: Filosofia da Inteligência Artificial
• Aula Bônus: Entrevista com Cientista de Dados graduado em Psicologia
• Aula bônus: Estudo de Caso sobre Redução Dimensional 

Preencha abaixo para
participar gratuitamente

Fique tranquilo, não utilizaremos suas informações de contato para enviar qualquer tipo de SPAM. Os dados coletados são tratados nos termos da Lei Geral de Proteção de Dados e você pode se descadastrar da nossa lista de contatos a qualquer momento.