Sostenibilidad de la enseñanza digital de la literatura china internacional mediante el proceso de jerarquía analítica difusa y la evaluación integral difusa

Resumen

Este protocolo detalla un proceso jerárquico analítico difuso reproducible y un flujo de trabajo de evaluación integral difusa (FAHP-FCE) para cuantificar la sostenibilidad de la enseñanza digital asistida de literatura china internacional. Operacionaliza la sostenibilidad a través de dimensiones técnicas, pedagógicas, culturales y políticas, y produce pesos de los indicadores, puntuaciones de dimensiones y un índice de sostenibilidad interpretable para comparación entre contextos.

Resumen

Este protocolo describe un método replicable para evaluar la sostenibilidad de la enseñanza digital asistida de literatura china internacional utilizando un modelo híbrido FAHP–FCE. El objetivo general es convertir juicios multidimensionales de sostenibilidad en un índice de sostenibilidad (SI) transparente y cuantitativo. El flujo de trabajo construye un sistema de indicadores en cuatro dimensiones compuesto por 19 indicadores. Los juicios de expertos obtienen ponderaciones indicadoras mediante FAHP, mientras que las respuestas de los cuestionarios de estudiantes y profesores se asignan a los grados de membresía utilizando el procedimiento FCE. La síntesis difusa ponderada y la defuzzificación dan lugar al SI. La implementación representativa en tres universidades de China (237 alumnos y 9 profesores) produjo un SI global de 78,2 ("Bueno"), con variaciones regionales significativas consistentes con diferencias en la adaptación cultural y los recursos institucionales. El protocolo depende en gran medida de convocar un panel de expertos creíble. Además, los indicadores deben estar operacionalizados de forma consistente, ya que diferentes definiciones de políticas locales u objetivos curriculares pueden complicar las comparaciones directas entre sitios. Las aplicaciones futuras deberían incluir la implementación longitudinal a lo largo de varios semestres para probar la estabilidad de los pesos y las distribuciones de membresía, junto con estudios comparativos que comparen este enfoque difuso con modelos alternativos multicriterio.

Introducción

En los últimos años, la convergencia acelerada de la globalización y la digitalización ha transformado la educación internacional china, pasando de aulas asistidas por tecnología a ecosistemas de aprendizaje nativos^digitales. Dentro de este cambio, los cursos de literatura china ocupan una posición distintiva porque hacen más que apoyar la adquisición del idioma; también cultivan la identidad cultural, la sensibilidad estética y la competencia interpretativa ^3,4. Estos resultados pueden ser especialmente frágiles en entornos digitales, donde los enfoques de evaluación predominantes suelen priorizar ganancias cognitivas inmediatas y fácilmente cuantificables, mientras que subrepresentan objetivos a largo plazo como la resonancia emocional, el compromiso cultural sostenido y la profundidad^{interpretativa 5,6}. De manera crucial, este protocolo evalúa la sostenibilidad educativa a través del prisma del comportamiento humano. Al cuantificar las respuestas cognitivas, el compromiso emocional y los comportamientos instruccionales de los alumnos y profesores que interactúan con plataformas de literatura digital, el marco traduce las experiencias humanas subjetivas en indicadores conductuales medibles.

Las evaluaciones existentes siguen siendo limitadas tanto en alcance como en duración. Muchos estudios aún se basan en medidas simplificadas del dominio^{del conocimiento 7}, dejando las experiencias complejas del aprendiz como el placer estético, la empatía cultural y la interpretación dialógica poco especificadas o tratadas como resultados periféricos ^8,9. Además, las ventanas de observación cortas—a menudo más cortas que un solo semestre—pueden pasar por alto efectos acumulativos, incluyendo cómo las herramientas digitales moldean gradualmente las rutinas interpretativas de los alumnos y cómo se desarrolla la experiencia digital-pedagógica de los docentes a través de la práctica^{iterativa 10,11}. Los marcos de evaluación también suelen estar fragmentados: los indicadores técnicos o pedagógicos se informan de forma aislada, mientras que las condiciones culturales y políticas que pueden limitar o permitir una implementación sostenible rara vez se integran en un único modelo^{coherente 12}. Esta fragmentación reduce la transferibilidad entre sitios, especialmente en aulas de literatura intercultural, donde la creación de significado es inherentemente abierta y sensible al^{contexto 13,14}.

Aunque investigaciones previas han explorado extensamente la adopción de herramientas digitales y los avances cognitivos a corto plazo en la adquisición del lenguaje, los marcos de evaluación siguen estando frecuentemente fragmentados. La literatura existente carece de modelos integrales que integren las dimensiones técnicas, pedagógicas, culturales y políticas en un único estándar medible. Este estudio debe realizarse para abordar esta brecha crítica mediante la introducción de un marco FAHP-FCE estandarizado, que pase de evaluaciones subjetivas y a corto plazo a un índice de sostenibilidad transparente y reproducible que apoye la comparación entre sitios.

Para abordar estas limitaciones, este protocolo introduce un marco reproducible para evaluar la sostenibilidad de la enseñanza digital asistida de literatura china internacional. Basándose en la lógica difusa de toma de decisiones multicriterio, el método integra el proceso de jerarquía analítica difusa (FAHP) con la evaluación integral difusa (FCE⁾¹⁵ para operacionalizar la sostenibilidad en cuatro dimensiones vinculadas: funcionalidad técnica, eficacia pedagógica, adaptabilidad cultural y apoyo a políticas. El enfoque está diseñado para ofrecer tres ventajas prácticas frente a los modelos de puntuación "nítidos": obtiene de forma transparente los pesos de los indicadores a partir de juicios de expertos mientras acomoda la incertidumbre lingüística; convierte las respuestas de cuestionarios en grados de membresía que reflejan mejor percepciones graduadas; y produce un Índice de Sostenibilidad interpretable que apoya la comparación y el análisis de sensibilidad entre sitios 14,16,17. Al integrar la transparencia interpretativa, la adaptabilidad intercultural y la fiabilidad a largo plazo en el flujo de trabajo de evaluación, el protocolo va más allá de las comprobaciones de resultados a corto plazo y proporciona una herramienta de evaluación transferible para otros contextos de enseñanza mediados digitalmente y^{interculturales 18}.

Protocolo

Se aseguró que el estudio cumpla con las directrices éticas institucionales de investigación humana y con las normativas aplicables de protección^{de datos 19,20}. Se obtuvo el consentimiento informado por escrito de cada participante antes de cualquier procedimiento de estudio. Asignaron a cada participante un código de estudio, anonimizaron todos los conjuntos de datos y almacenaron la clave de enlace (identificadores <> códigos) en un archivo separado con acceso restringido. Restringir el acceso a datos en bruto solo al personal autorizado y documentar el periodo de retención y el plan de eliminación en la solicitud de ética.

1. Preparación del contexto y materiales de evaluación

1. Define el contexto instruccional (es decir, el entorno educativo específico, el perfil demográfico del alumno y el marco pedagógico en el que se realiza la enseñanza asistida digitalmente).
   1. Especifica el tipo de curso (literatura china internacional), la población objetivo y el modo de impartición (presencial, mixto o online).
   2. Definir el umbral mínimo de competencia del aprendiz (por ejemplo, Examen de Competencia en Chino [HSK] nivel 5 o equivalente) y establecer los criterios de elegibilidad operativa (certificado de prueba, resultado de colocación o confirmación del instructor)^21,22.
   3. Especificar la duración del periodo (semanas), las horas de contacto, las restricciones de plataforma/herramientas (sin nombres de marca) y el objetivo único de evaluación: cuantificar la sostenibilidad de la enseñanza utilizando un flujo de trabajo^{FAHP–FCE 23,24,25}.
2. Compila la lista de materiales
   1. Registrar todos los suministros (formularios, instrumentos, scripts, software y almacenamiento) en la Tabla de Materiales, incluyendo: (i) el cuestionario de 19 ítems para aprendices (Archivo Suplementario S1), (ii) el formulario de comparación por pares experto (Archivo Suplementario S2), (iii) formularios de consentimiento informado, (iv) plantillas de captura de datos y (v) scripts de análisis y sus versiones.
   2. Asignar nombres de archivo e identificadores de versión para la reproducibilidad (por ejemplo, Archivo Suplementario S1_questionnaire_items.pdf, Archivo Suplementario S2_expert_form.pdf, fahp_weighting.py, fce_membership.py, si_compute.py y analysis_readme.txt)^26,27.
3. Crea el diagrama del flujo de trabajo (Figura 1)
   1. Elabora un diagrama de flujo de una página resumiendo las secciones 1–10 y etiqueta las entradas/salidas en cada entrega (juicios de expertos > matrices difusas > pesos; respuestas del alumnado > matrices de membresía; síntesis > Índice de Sostenibilidad).
   2. Marque los PUNTOS DE PAUSA (Secciones 3.2, 4.2, 8.3), que indican etapas críticas en las que el procedimiento puede detenerse de forma segura y donde se deben archivar artefactos de datos específicos para garantizar la reproducibilidad, e indican qué artefactos deben guardarse en cada punto.

2. Construir el marco de indicadores

1. Construye una jerarquía de tres niveles.
   1. Mapea el objetivo de la evaluación a cuatro dimensiones (funcionalidad técnica, eficacia pedagógica, adaptabilidad cultural, apoyo a políticas).
   2. Define los 19 indicadores bajo las cuatro dimensiones (Objetivo > Dimensión > Indicador) y asegúrate de que cada indicador sea medible mediante respuesta a un cuestionario o evidencia documentada.
2. Define indicadores y el formato de respuesta.
   1. Escribe una definición operativa para cada indicador, especifica si es positiva (más alto es mejor) o negativa (menor es mejor), y registra el mapeo indicador-dimensión en un diccionario de datos (Tabla 1).
   2. Especificar la escala de respuesta del aprendiz como un formato Likert de 7 puntos con anclajes: 1 = discrepo total; 7 = totalmente de acuerdo.
      NOTA: Finaliza y congela el conjunto de indicadores para su reutilización entre cohortes y archiva el diccionario de datos y la versión de la Tabla 1 .

3. Reunir el panel de expertos y recopilar sentencias por pares (FAHP)

1. Recluta un panel de expertos.
   1. Recluta un panel multifunción (por ejemplo, instructores de literatura, especialistas en tecnología educativa, investigadores en evaluación y administradores).
   2. Definir los criterios de elegibilidad (años de experiencia, familiaridad con la enseñanza digital y exposición a la enseñanza intercultural) y documentar la composición del panel para mayor transparencia.
2. Recopila comparaciones difusas por pares.
   1. Formar a expertos con un breve informe sobre las dimensiones/indicadores y el significado de los números difusos triangulares (TFN⁾28,29,30.
   2. Proporcionar anclas y ejemplos explícitos para reducir la variabilidad (por ejemplo, TFN [2, 3, 4] = "importante"; TFN [4, 5, 6] = "muy importante").
   3. Recoge juicios por pares para (i) las cuatro dimensiones y (ii) indicadores dentro de cada dimensión y verifica la completitud antes de cerrar la sesión.

4. Construir matrices de juicio difusas y consistencia en pruebas

1. Construye matrices de juicio difusas.
   1. Convierte las respuestas por pares de cada experto en una matriz recíproca difusa en cada nivel^{jerárquico 25}.
   2. Revisa si faltan entradas y aplica las normas de reciprocidad antes de la agregación.
2. Prueba la coherencia y reconcilia los desacuerdos.
   1. Desdifumina cada matriz experta a una matriz nítida usando una regla predefinida, como el centroide de un número difuso triangular (TFN⁾31,32,33. El valor de la nitidez se calcula usando la siguiente ecuación:
      
      donde C es el valor nítido desdifusado, y , , y representan respectivamente la cota inferior, el valor modal (lo más probable) y la cota superior de la TFN.
   2. Calcular la razón de consistencia (CR) en la matriz nítida utilizando el procedimiento^34,35 del Proceso de Jerarquía Analítica (AHP). Esto implica calcular el valor propio principal (λ_max) de la matriz, determinar el índice de consistencia (, donde n es el tamaño de la matriz) y dividirlo por el índice aleatorio apropiado (RI) para obtener el CR (). Establece el umbral de aceptación como CR < 0,10.
   3. Si el CR ≥ 0,10, devuelve las comparaciones inconsistentes al experto, reconcilia los desacuerdos mediante discusión facilitada y recuerda solo las sentencias disputadas.
      PUNTO DE PAUSA: Archivar cada matriz, informe CR y registro de conciliación como artefactos de replicación.

5. Derivar pesos difusos (salida FAHP)

1. Agrega sentencias individuales.
   1. Agregar matrices expertas en una matriz difusa a nivel de grupo usando un operador especificado (por ejemplo, media geométrica difusa^)17,36.
   2. Registra el operador de agregación y los parámetros en el Archivo Suplementario S2.
2. Desdifumina y normaliza los pesos.
   1. Desdifufifique las prioridades difusas a nivel de grupo para obtener pesos nítidos usando la misma regla de defuzzificación predeterminada¹⁰.
   2. Normalizar los pesos dentro de cada nivel (suma de dimensiones a 1; suma de indicadores dentro de cada dimensión a 1) y obtener los vectores finales de dimensión e indicadores de peso.
   3. Llena la Tabla 1 con los pesos finales y bloquea la versión de la tabla usada para la sección posterior de FCE.

6. Diseñar y administrar el cuestionario para estudiantes

1. Prepara el instrumento.
   1. Proporciona los 19 elementos completos literalmente en el Archivo Suplementario S1, cada uno asignado a un indicador en la Tabla 1.
   2. Utiliza una escala de Likert de 7 puntos con texto ancla claro impreso en cada página/pantalla (1 = totalmente en desacuerdo; 7 = totalmente de acuerdo).
   3. Prueba piloto del cuestionario con un grupo pequeño (por ejemplo, 10–15 alumnos) para confirmar la comprensión y el tiempo de^{finalización 37}.
2. Administra el cuestionario y aplica una respuesta única por participante.
   1. Invitar a los alumnos elegibles (HSK 5+ o equivalente operativo) y establecer un protocolo estandarizado de recogida de datos. Especifica el periodo exacto de administración (por ejemplo, un periodo definido de dos semanas al final del trimestre) y el modo de finalización (por ejemplo, sesiones supervisadas en clase de 15–20 minutos para asegurar una participación enfocada, o distribución controlada en línea mediante enlaces seguros y cronometrados de encuesta). Los instructores o investigadores deben proporcionar un informe estandarizado antes de la distribución del cuestionario, explicando claramente el propósito del estudio, asegurando el anonimato de los datos y definiendo los anclajes de la escala de Likert de 7 puntos para todos los encuestados.
   2. Hacer cumplir una respuesta por participante emitiendo un token de acceso de un solo uso por aprendiz (o un código equivalente de un solo uso), deshabilitando las repeticiones y comprobando duplicados usando el registro de tokens.
   3. Si se requiere anonimato, almacenar los tokens por separado de las respuestas y hacer el hash de cualquier identificador de inicio de sesión antes del análisis.
   4. Documentar todas las reglas de exclusión (por ejemplo, respuestas incompletas, entradas duplicadas de token) antes de limpiar los datos para evitar sesgos post hoc.
3. Registrar metadatos para el análisis de subgrupos.
   1. Registrar metadatos completos no identificativos para definir claramente el perfil del encuestado para el análisis de subgrupos. Para los estudiantes, esto debe incluir características demográficas y académicas como grupo lingüístico nativo, edad, género, años de estudio del mandarín, nivel actual de competencia HSK, especialidad académica, tipo de curso y lugar de estudio. Para el panel de expertos, registrar explícitamente la demografía profesional, incluyendo años de experiencia docente, el máximo grado académico obtenido y conocimientos específicos en el ámbito (por ejemplo, instrucción literaria, tecnología educativa).
      PRECAUCIÓN: Proteja la información personal identificable y siga los procedimientos aprobados para el manejo de datos.

7. Títulos de membresía computada (FCE)

1. Define las calificaciones de evaluación y las puntuaciones numéricas.
   1. Define un conjunto de cinco calificaciones: Excelente, Bueno, Moderado, Relativamente Pobre, Pobre.
   2. Asignar puntuaciones numéricas para la conversión de grado a índice (por ejemplo, 90, 80, 70, 60, 50) y registrar el esquema de puntuación en el Archivo Suplementario S3³⁸.
2. Especifica funciones de pertenencia y construye matrices de membresía.
   1. Especificar funciones de pertenencia para mapear las respuestas de Likert a las pertenencias de grado (por ejemplo, funciones trapezoidales^)39,40.
   2. Proporcionar parámetros explícitos para cada límite de pendiente en el Archivo Suplementario S3 y indicar si los mismos parámetros se aplican a todos los indicadores.
   3. Para cada indicador, convierte la respuesta de cada aprendiz en un vector de pertenencia de 5 elementos y luego agrega entre los alumnos (por ejemplo, promediando las membresías) para formar el vector de pertenencia a nivel de indicador.
   4. Apilar todos los vectores de pertenencia a nivel de indicador para construir la matriz de pertenencia indicador por grado.

8. Realizar síntesis difusa y derivar el índice de sostenibilidad (SI)

1. Aplica un operador difuso ponderado.
   1. Combina el vector de peso del indicador con la matriz de pertenencia a indicadores usando un operador de síntesis difusa ponderada especificado (por ejemplo, operador promedio ponderado) para obtener el vector de pertenencia integral^41,42.
   2. Informa el nombre y la fórmula del operador en el Archivo Suplementario S3 para garantizar la reproducibilidad independiente.
2. Defuzzify para calcular SI en una escala de 0 a 100.
   1. Convertir el vector de membresía integral a un único valor SI mediante un promedio ponderado de las puntuaciones de calificación (según se define en la sección 8.1.2).
   2. Resultados de los valores SI a nivel de dimensión repitiendo las secciones 9.1–9.2 dentro de cada dimensión usando pesos indicadores específicos de cada dimensión.
   3. Clasificar los valores SI usando cortes preespecificados: 85–90 = Excelente; 75–84 = Bueno; 65–74 = Moderado; 55–64 = Relativamente pobre; ≤ 54 = Pobre.
      PUNTO DE PAUSA: Almacenar vectores intermedios, matrices y hojas de cálculo (o salidas de script) con hashes de archivo en un repositorio.

9. Validación cualitativa opcional (métodos mixtos)

1. Muestra de participantes para entrevistas.
   1. Muestrear a instructores y alumnos utilizando un esquema intencionado alineado con los patrones de SI (por ejemplo, alta vs. baja adaptabilidad cultural) y obtener consentimiento adicional para la grabación.
   2. Utiliza una guía de entrevistas semiestructurada centrada en la interpretabilidad de las puntuaciones, los factores que perciben como responsables de la sostenibilidad y las restricciones contextuales (Archivo Suplementario S4)⁴³.
2. Codifica y triangula hallazgos.
   1. Transcribe las grabaciones textualmente y desidentifica las transcripciones antes de codificarlas.
   2. Transcripciones de código usando un esquema de codificación preespecificado, y formación de codificadores de documentos, acuerdo entre codificadores (si procede) y reglas^{de resolución 44,45}.
   3. Triangula temas cualitativos con resultados de SI a nivel dimensional para contextualizar fortalezas y debilidades sin anular el procedimiento cuantitativo.

10. Informe y archivo (paquete de reproducibilidad)

1. Informe sobre los resultados principales.
   1. Informa dimensiones e indicadores de pesos, matrices de membresía (o resúmenes), valores SI, etiquetas de calificación y comparaciones de subgrupos (por ejemplo, grupos de sitio o de competencia).
   2. Indica todas las reglas de exclusión y los tamaños finales de muestra analizados (asegúrate de la coherencia con el Resumen/Resultados).
2. Materiales de archivo y código.
   1. Archivar conjuntos de datos, scripts y hojas de cálculo anonimizados utilizados para ponderación FAHP, cálculo de membresía, síntesis y desfuzzificación.
   2. Proporcionar versiones de software/tiempo de ejecución (por ejemplo, versión del lenguaje de programación; versiones de paquete) y semillas aleatorias fijas (si se usan)^46,47.
3. Haz análisis de sensibilidad (recomendado).
   1. Perturbar los pesos del indicador en ±10% (uno a la vez o dentro de la dimensión) al renormalizar, recalcular el SI y resumir las fluctuaciones del SI para identificar puntos de apalancamiento (Tabla 2).
   2. Interpreta los indicadores de bajo peso pero alta sensibilidad como posibles "riesgos umbral" y reporta estos explícitamente.

Resultados

Pesos dimensionales e indicadores clave
Utilizando el proceso de jerarquía analítica difusa (FAHP), los pesos dimensionales indicaron que la dimensión técnica (T) contribuyó con mayor contribución a la sostenibilidad (0,32), seguida por la dimensión cultural (C, 0,26) y la dimensión pedagógica (P, 0,23), mientras que la dimensión política (G) recibió el menor peso (0,19)¹⁷. A nivel de indicador, la dimensión técnica priorizó la eficiencia de it...

Discusión

Este protocolo demuestra que un flujo de trabajo híbrido FAHP–FCE puede operacionalizar la "sostenibilidad de la enseñanza" en cursos de literatura china internacional asistida digitalmente como un índice transparente y reproducible, en lugar de un resultado vagamente definido. Los resultados indican que la funcionalidad técnica funciona como una capa previa para la sostenibilidad, con la interpretabilidad algorítmica mostrando la mayor sensibilidad a las fluctuaciones del índice de sost...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Cuestionario para el Alumno (19 ítems)	Diseñado por él mismo	N/A	Se utiliza para recopilar los alumnos evaluaciones de tecnología, pedagogía, cultura y dimensiones políticas; Escala de Likert de 7 puntos
Formulario experto de comparación por pares	Diseñado por él mismo	N/A	Utilizado para recopilar expertos Comparaciones difusas por pares para el cálculo de pesos FAHP
Plantilla y Captura de Datos Guiones	Excel / Python	N/A	Utilizado para almacenamiento de datos, cálculo de matrices de membresía y generación de Índice de Sostenibilidad (SI)