Los modelos de teoría de respuesta al ítem (IRT) se utilizan con frecuencia para analizar datos categóricos multivariados de cuestionarios o datos de pruebas cognitivas. Con el fin de reducir la complejidad del modelo en modelos de respuesta al ítem, la estimación regularizada se aplica ampliamente actualmente, añadiendo una función de penalización no diferenciable como la penalización LASSO o SCAD a la función de log-verosimilitud en la función de optimización. En la mayoría de las aplicaciones, la estimación regularizada estima repetidamente el modelo IRT en una cuadrícula de parámetros de regularización. El modelo final se selecciona para el parámetro que minimiza el criterio de información de Akaike o Bayesiano (AIC o BIC). En trabajos recientes, se ha propuesto minimizar directamente una aproximación suave del AIC o BIC para la estimación regularizada. Este enfoque evita la estimación repetida del modelo IRT. Con esto, el tiempo de cálculo se reduce sustancialmente. La idoneidad del nuevo enfoque se demuestra mediante tres estudios de simulación centrados en la estimación regularizada para modelos IRT con funcionamiento diferencial de ítems, modelos IRT multidimensionales con cargas cruzadas y el modelo IRT mixto Rasch/logístico de dos parámetros. Se encontró en los estudios de simulación que la optimización directa computacionalmente menos exigente basada en las variantes suaves de AIC y BIC tenía un rendimiento comparable o mejorado en comparación con la estimación regularizada repetida ordinariamente empleada basada en AIC o BIC.