Recuperación de Información Bajo Observación Parcial: Un Análisis Metodológico de Datos de Cuestionarios de Múltiples Informantes
Autores: Thepnarin, Nawaphol; Leelasantitham, Adisorn
Idioma: Inglés
Editor: MDPI
Año: 2026
Acceso abierto
Artículo científico
2026
Recuperación de Información Bajo Observación Parcial: Un Análisis Metodológico de Datos de Cuestionarios de Múltiples Informantes
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Estudio
Opiniones del informante
Recuperabilidad
Empírico
Informante
Vista combinada
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Este estudio examina la recuperación de información bajo observación parcial estructurada en sistemas de cuestionarios de múltiples informantes. En lugar de predecir una verdad externa, evaluamos la recuperabilidad de una regla de decisión de información completa operativa cuando solo están disponibles vistas parciales de los informantes. En el estudio empírico de calibración SNAP-IV, esta referencia se define intencionadamente como una función determinista de las vistas combinadas de los informantes, por lo que el resultado de la vista combinada se trata solo como un techo de estilo oráculo y el análisis sustantivo se refiere a cómo la recuperación de una sola vista se degrada cuando se retiene a un informante. Para examinar si un patrón cualitativo similar se extiende más allá de este entorno de calibración, también evaluamos una simulación de estado latente en la que la decisión de referencia se genera a partir de un estado latente no observado y las vistas de los informantes son observaciones ruidosas. En ambos entornos, la recuperabilidad de la vista única disminuye a medida que aumenta el desacuerdo entre evaluadores, mientras que las representaciones de vista combinada permanecen más estables. En el estudio empírico, los modelos de vista combinada lograron un rendimiento de recuperación cercano al techo (por ejemplo, 90.9% para Regresión Logística y 91.3% para MLP), mientras que la recuperación solo del profesor cayó de aproximadamente 78% a 63% bajo un mayor desacuerdo (p=0.0005, d de Cohen=1.9). Líneas base adicionales de puntuación de un solo evaluador no aprendidas exhibieron el mismo patrón cualitativo de degradación, lo que indica que el efecto no es específico de los modelos de aprendizaje automático ajustados. Es importante destacar que este trabajo es metodológico: no propone nuevos algoritmos de aprendizaje o modelos de predicción clínica, sino que presenta un marco conceptual-metodológico, junto con cantidades de recuperabilidad independientes del modelo, para cuantificar la pérdida de información de vista faltante bajo observaciones incompletas y heterogéneas.
Descripción
Este estudio examina la recuperación de información bajo observación parcial estructurada en sistemas de cuestionarios de múltiples informantes. En lugar de predecir una verdad externa, evaluamos la recuperabilidad de una regla de decisión de información completa operativa cuando solo están disponibles vistas parciales de los informantes. En el estudio empírico de calibración SNAP-IV, esta referencia se define intencionadamente como una función determinista de las vistas combinadas de los informantes, por lo que el resultado de la vista combinada se trata solo como un techo de estilo oráculo y el análisis sustantivo se refiere a cómo la recuperación de una sola vista se degrada cuando se retiene a un informante. Para examinar si un patrón cualitativo similar se extiende más allá de este entorno de calibración, también evaluamos una simulación de estado latente en la que la decisión de referencia se genera a partir de un estado latente no observado y las vistas de los informantes son observaciones ruidosas. En ambos entornos, la recuperabilidad de la vista única disminuye a medida que aumenta el desacuerdo entre evaluadores, mientras que las representaciones de vista combinada permanecen más estables. En el estudio empírico, los modelos de vista combinada lograron un rendimiento de recuperación cercano al techo (por ejemplo, 90.9% para Regresión Logística y 91.3% para MLP), mientras que la recuperación solo del profesor cayó de aproximadamente 78% a 63% bajo un mayor desacuerdo (p=0.0005, d de Cohen=1.9). Líneas base adicionales de puntuación de un solo evaluador no aprendidas exhibieron el mismo patrón cualitativo de degradación, lo que indica que el efecto no es específico de los modelos de aprendizaje automático ajustados. Es importante destacar que este trabajo es metodológico: no propone nuevos algoritmos de aprendizaje o modelos de predicción clínica, sino que presenta un marco conceptual-metodológico, junto con cantidades de recuperabilidad independientes del modelo, para cuantificar la pérdida de información de vista faltante bajo observaciones incompletas y heterogéneas.