Sostenibilità dell'insegnamento digitale della letteratura cinese internazionale tramite un processo di gerarchia analitica fuzzy e una valutazione completa fuzzy

Sommario

Questo protocollo dettaglia un processo di gerarchia analitica fuzzy riproducibile e un flusso di lavoro di valutazione fuzzy comprehensive (FAHP-FCE) per quantificare la sostenibilità dell'insegnamento digitalmente assistito della letteratura cinese internazionale. Essa operativizza la sostenibilità attraverso dimensioni tecniche, pedagogiche, culturali e politiche, e produce pesi degli indicatori, punteggi di dimensione e un indice di sostenibilità interpretabile per il confronto tra contesti.

Abstract

Questo protocollo descrive un metodo replicabile per valutare la sostenibilità dell'insegnamento internazionale della letteratura cinese assistito digitalmente utilizzando un modello ibrido FAHP–FCE. L'obiettivo generale è convertire i giudizi multidimensionali sulla sostenibilità in un indice di sostenibilità (SI) trasparente e quantitativo. Il flusso di lavoro costruisce un sistema di indicatori quadridimensionali composto da 19 indicatori. I giudizi degli esperti derivano i pesi degli indicatori tramite FAHP, mentre le risposte ai questionari di studenti e insegnanti sono mappate ai gradi di appartenenza utilizzando la procedura FCE. La sintesi fuzzy pesata e la defuzzificazione producono quindi il SI. L'implementazione rappresentativa in tre università in Cina (237 studenti e 9 insegnanti) ha prodotto un SI complessivo di 78,2 ("Buono"), con variazioni regionali significative coerenti con differenze nell'adattamento culturale e nelle risorse istituzionali. Il protocollo dipende fortemente dalla convocazione di un comitato di esperti credibile. Inoltre, gli indicatori devono essere operativi in modo coerente, poiché definizioni politiche locali o obiettivi curriculari differenti possono complicare i confronti diretti tra i siti. Le future applicazioni dovrebbero includere un'implementazione longitudinale su più semestri per testare la stabilità dei pesi e delle distribuzioni dei membri, insieme a studi comparativi che confrontino questo approccio vago con modelli alternativi multi-criterio.

Introduzione

Negli ultimi anni, la convergenza accelerata tra globalizzazione e digitalizzazione ha rimodellato l'istruzione cinese internazionale, passando da classi assistite dalla tecnologia a ecosistemi di apprendimento digitalmente^{nativi 1,2}. All'interno di questo cambiamento, i corsi di letteratura cinese occupano una posizione distintiva perché fanno più che supportare l'acquisizione della lingua; coltivano inoltre l'identità culturale, la sensibilità estetica e la competenza^{interpretativa 3,4}. Questi risultati possono essere particolarmente fragili negli ambienti digitali, dove gli approcci di valutazione prevalenti spesso danno priorità a guadagni cognitivi immediati e facilmente quantificabili, mentre sottorappresentano obiettivi a lungo orizzonte come la risonanza emotiva, l'impegno culturale sostenuto e la profondità^{interpretativa 5,6}. In modo cruciale, questo protocollo valuta la sostenibilità educativa attraverso la lente del comportamento umano. Quantificando le risposte cognitive, il coinvolgimento emotivo e i comportamenti didattici di studenti e insegnanti che interagiscono con le piattaforme di letteratura digitale, il quadro traduce le esperienze umane soggettive in indicatori comportamentali misurabili.

Le valutazioni esistenti rimangono limitate sia per ambito che per durata. Molti studi si basano ancora su misure semplificate della padronanza^{della conoscenza 7}, lasciando esperienze complesse degli apprendenti come piacere estetico, empatia culturale e interpretazione dialogica poco specificate o trattate come risultati^{periferici 8,9}. Inoltre, le finestre di osservazione brevi — spesso più brevi di un singolo semestre — possono non avere effetti cumulativi, incluso come gli strumenti digitali plasmino gradualmente le routine interpretative degli studenti e come l'esperienza digitale-pedagogica degli insegnanti si sviluppi attraverso la pratica^{iterativa 10,11}. Anche i quadri di valutazione sono spesso frammentati: indicatori tecnici o pedagogici sono riportati isolatamente, mentre condizioni culturali e politiche che possono limitare o consentire un'implementazione sostenibile raramente sono integrate in un unico modello^{coerente 12}. Questa frammentazione riduce la trasferibilità tra i siti, in particolare nelle aule di letteratura interculturale, dove la creazione di significato è intrinsecamente aperta e sensibile al^{contesto 13,14}.

Sebbene ricerche precedenti abbiano esplorato ampiamente l'adozione di strumenti digitali e i progressi cognitivi a breve termine nell'acquisizione del linguaggio, i quadri di valutazione rimangono spesso frammentati. La letteratura esistente manca di modelli completi che integrino dimensioni tecniche, pedagogiche, culturali e politiche in un unico standard misurabile. Questo studio deve essere condotto per colmare questa lacuna critica introducendo un quadro standardizzato FAHP-FCE, passando da valutazioni soggettive a breve termine a un indice di sostenibilità trasparente e riproducibile che supporti il confronto tra siti.

Per affrontare queste limitazioni, questo protocollo introduce un quadro riproducibile per valutare la sostenibilità dell'insegnamento della letteratura cinese internazionale assistita digitalmente. Basandosi sulla logica decisionale fuzzy multi-criteria, il metodo integra il processo di gerarchia analitica fuzzy (FAHP) con la fuzzy comprehensive evaluation (FCE⁾¹⁵ per operativizzare la sostenibilità in quattro dimensioni collegate: funzionalità tecnica, efficacia pedagogica, adattabilità culturale e supporto alle politiche. L'approccio è progettato per offrire tre vantaggi pratici rispetto ai modelli di punteggio "nitid": deriva in modo trasparente i pesi degli indicatori dai giudizi degli esperti pur tenendo conto dell'incertezza linguistica; Converte le risposte ai questionari in titoli di appartenenza che riflettono meglio percezioni gradate; e produce un Indice di Sostenibilità interpretabile che supporta il confronto cross-site e l'analisi di sensibilità 14,16,17. Integrando trasparenza interpretativa, adattabilità interculturale e affidabilità a lungo termine nel flusso di lavoro della valutazione, il protocollo va oltre i controlli dei risultati a breve termine e fornisce uno strumento di valutazione trasferibile per altri contesti didattici mediati digitalmente e^{interculturali 18}.

Protocollo

Garantito che lo studio rispetti le linee guida etiche istituzionali sulla ricerca umana e le normative applicabili sulla protezione^{dei dati 19,20}. Il consenso informato scritto di ciascun partecipante è stato ottenuto prima di qualsiasi procedura di studio. A ciascun partecipante veniva assegnato un codice di studio, anonimizzato tutti i dataset e memorizzato la chiave di collegamento (identificatori <> codici) in un file separato con accesso limitato. Limitate l'accesso ai dati grezzi solo al personale autorizzato e documentate il periodo di conservazione e il piano di cancellazione nella domanda etica.

1. Preparazione del contesto e dei materiali di valutazione

1. Definire il contesto didattico (cioè l'ambiente educativo specifico, il profilo demografico dello studente e il quadro pedagogico in cui avviene l'insegnamento assistito digitalmente).
   1. Specifica il tipo di corso (letteratura cinese internazionale), la popolazione target e la modalità di erogazione (in presenza, misto o online).
   2. Definire la soglia minima di competenza dello studente (ad esempio, Chinese Proficiency Test [HSK] livello 5 o equivalente) e dichiarare i criteri di idoneità operativa (certificato del test, risultato di collocamento o conferma dell'istruttore^)21,22.
   3. Specificare la durata del periodo (settimane), le ore di contatto, i vincoli di piattaforma/strumenti (senza nomi di marchi) e l'unico obiettivo di valutazione: quantificare la sostenibilità dell'insegnamento utilizzando un flusso di lavoro^{FAHP–FCE 23,24,25}.
2. Compila l'elenco dei materiali
   1. Registra tutti i materiali (moduli, strumenti, script, software e archiviazione) nella Tabella dei Materiali, inclusi: (i) il questionario per studenti a 19 elementi (File Supplementare S1), (ii) il modulo di confronto esperto a coppie (File Supplementare S2), (iii) moduli di consenso informato, (iv) modelli di cattura dati e (v) script di analisi e le loro versioni.
   2. Assegnare nomi di file e identificatori di versione per la riproducibilità (ad esempio, File Supplementare S1_questionnaire_items.pdf, File Supplementare S2_expert_form.pdf, fahp_weighting.py, fce_membership.py, si_compute.py e analysis_readme.txt)^26,27.
3. Crea il diagramma del flusso di lavoro (Figura 1)
   1. Disegna un diagramma di flusso di una pagina che riassuma le sezioni 1–10 e etichetta input/output a ogni passaggio di consegne (giudizi di esperti > matrice fuzzy > pesi; risposte degli studenti > matrici di appartenenza; sintesi > Indice di Sostenibilità).
   2. Segna i PUNTI PAUSA (Sezioni 3.2, 4.2, 8.3), che indicano fasi critiche in cui la procedura può essere interrotta in sicurezza e dove specifici artefatti dati devono essere archiviati per garantire la riproducibilità, e indicano quali artefatti devono essere salvati in ogni punto.

2. Costruire il quadro degli indicatori

1. Costruisci una gerarchia a tre livelli.
   1. Mappare l'obiettivo di valutazione in quattro dimensioni (funzionalità tecnica, efficacia pedagogica, adattabilità culturale, supporto politico).
   2. Definire i 19 indicatori sotto le quattro dimensioni (Obiettivo > Dimensione > Indicatore) e assicurarsi che ogni indicatore sia misurabile tramite risposta a questionario o prove documentate.
2. Definisci gli indicatori e il formato della risposta.
   1. Scrivi una definizione operativa per ogni indicatore, specifica se è positiva (più alto è meglio) o negativa (più basso è meglio) e registra la mappatura indicatore–dimensione in un dizionario dati (Tabella 1).
   2. Specificare la scala di risposta dello studente come un formato Likert a 7 punti con ancorage: 1 = fortemente in disaccordo; 7 = sono pienamente d'accordo.
      NOTA: Finalizza e congela l'insieme di indicatori per il riutilizzo tra le coorti e archivia il dizionario dati e la versione della Tabella 1 .

3. Riunire la commissione di esperti e raccogliere sentenze a coppie (FAHP)

1. Recluta un panel di esperti.
   1. Reclutare un panel trasversale (ad esempio, istruttori di letteratura, specialisti in tecnologia educativa, ricercatori di valutazione e amministratori).
   2. Definire i criteri di idoneità (anni di esperienza, familiarità con l'insegnamento digitale ed esposizione all'insegnamento interculturale) e documentare la composizione della commissione per garantire trasparenza.
2. Raccogli confronti a coppie sfocati.
   1. Formare esperti con un breve briefing sulle dimensioni/indicatori e il significato dei numeri fuzzy triangolari (TFN⁾28,29,30.
   2. Fornire ancore espliciti ed esempi per ridurre la variabilità (ad esempio, TFN [2, 3, 4] = "importante"; TFN [4, 5, 6] = "molto importante").
   3. Raccogli i giudizi a coppie per (i) le quattro dimensioni e (ii) gli indicatori all'interno di ciascuna dimensione e verifica la completezza prima di chiudere la sessione.

4. Costruire matrici di giudizio fuzzy e testare la coerenza

1. Costruisci matrici di giudizio fuzzy.
   1. Converti le risposte a coppie di ciascun esperto in una matrice reciproca fuzzy a ogni livello^{gerarchico 25}.
   2. Controlla la presenza di voci mancanti e applica le regole di reciprocità prima dell'aggregazione.
2. Testa la coerenza e riconcilia i disaccordi.
   1. Sfoca ogni matrice esperta in una matrice nitida usando una regola prespecificata, come il centroide di un numero fuzzy triangolare (TFN⁾31,32,33. Il valore del nitido viene calcolato utilizzando la seguente equazione:
      
      dove C è il valore nitido defuzzificato, e , , e rappresentano rispettivamente il limite inferiore, il valore modale (molto probabile) e il limite superiore della TFN.
   2. Calcola il rapporto di coerenza (CR) sulla matrice nitida utilizzando la procedura Analytic Hierarchy Process (AHP^{) 34,35}. Questo comporta il calcolo dell'autovalore principale (λ_max) della matrice, la determinazione dell'indice di coerenza (, dove n è la dimensione della matrice) e la sua divisione per l'indice casuale appropriato (RI) per ottenere il CR (). Imposta la soglia di accettazione a CR < 0,10.
   3. Se il CR ≥ 0,10, restituire i confronti incoerenti all'esperto, riconciliare i disaccordi tramite discussioni facilitate e ricordare solo le sentenze contestate.
      PUNTO DI PAUSA: Archiviare ogni matrice, report CR e log di riconciliazione come artefatti di replicazione.

5. Derivare pesi fuzzy (uscita FAHP)

1. Aggregare le sentenze individuali.
   1. Aggregare matrici esperte in una matrice fuzzy a livello di gruppo usando un operatore specificato (ad esempio, media geometrica fuzzy^)17,36.
   2. Registra l'operatore di aggregazione e i parametri nel File Supplementare S2.
2. Sffoca e normalizza i pesi.
   1. Defuzzifika le priorità fuzzy a livello di gruppo per ottenere pesi nitidamente usando la stessa regola di defuzzificazione^{predefinita 10}.
   2. Normalizzare i pesi all'interno di ogni livello (le dimensioni sommano 1; gli indicatori all'interno di ogni dimensione sommano 1) e produrre i vettori di dimensione finale e di peso degli indicatori.
   3. Popola la Tabella 1 con i pesi finali e blocca la versione della tabella utilizzata per la sezione FCE successiva.

6. Progettare e somministrare il questionario per gli studenti

1. Prepara lo strumento.
   1. Fornisci i 19 elementi completi parola per parola nel Supplementary File S1, ciascuno mappato a un indicatore nella Tabella 1.
   2. Usa una scala Likert a 7 punti con testo di ancoraggio chiaro stampato su ogni pagina/schermo (1 = fortemente in disaccordo; 7 = fortemente d'accordo).
   3. Testa il questionario con un piccolo gruppo (ad esempio, 10–15 studenti) per confermare la comprensione e il tempo di^{completamento 37}.
2. Somministrare il questionario e imporre una risposta unica per ogni partecipante.
   1. Invitare gli studenti idonei (HSK 5+ o equivalente operativo) e stabilire un protocollo standardizzato di raccolta dati. Specificare la finestra di amministrazione esatta (ad esempio, un periodo definito di due settimane alla fine del semestre) e la modalità di completamento (ad esempio, sessioni supervisionate in aula della durata di 15–20 minuti per garantire una partecipazione mirata, o distribuzione online controllata tramite link di sondaggio sicuri e a tempo). Istruttori o ricercatori devono fornire un briefing standardizzato prima della distribuzione del questionario, spiegando chiaramente lo scopo dello studio, garantendo l'anonimato dei dati e definendo i punti di riferimento della scala Likert a 7 punti per tutti i rispondenti.
   2. Far rispettare una risposta per partecipante emettendo un token di accesso monouso per ogni apprendente (o un codice monouso equivalente), disabilitando le invii ripetute e controllando la presenza di duplicati utilizzando il token log.
   3. Se è richiesto l'anonimato, memorizzare i token separatamente dalle risposte e hashare eventuali identificatori di accesso prima dell'analisi.
   4. Documentare tutte le regole di esclusione (ad esempio, risposte incomplete, voci duplicate dei token) prima della pulizia dei dati per prevenire bias post hoc.
3. Registra i metadati per l'analisi dei sottogruppi.
   1. Registrare metadati non identificabili e completi per definire chiaramente il profilo del rispondente per l'analisi dei sottogruppi. Per gli studenti, questo deve includere caratteristiche demografiche e accademiche come gruppo linguistico madrelingua, età, genere, anni di studio del mandarino, livello attuale di competenza HSK, indirizzo accademico, tipo di corso e sito di studio. Per il panel di esperti, registrare esplicitamente la demografia professionale, inclusi anni di esperienza didattica, il titolo accademico più alto ottenuto e competenze specifiche nel settore (ad esempio, istruzione letteraria, tecnologia educativa).
      ATTENZIONE: Proteggi le informazioni personali identificabili e segui le procedure approvate per la gestione dei dati.

7. Gradi di appartenenza al calcolo (FCE)

1. Definisci i voti di valutazione e i punteggi numerici.
   1. Definisci un insieme di valutazione di cinque gradi: Eccellente, Buono, Moderato, Relativamente Scarso, Scarso.
   2. Assegnare punteggi numerici per la conversione da grado a indice (ad esempio, 90, 80, 70, 60, 50) e registrare lo schema di punteggio nel File Supplementare S3³⁸.
2. Specificare le funzioni di appartenenza e costruire matrici di appartenenza.
   1. Specificare le funzioni di appartenenza per mappare le risposte di Likert alle appartenenze dei gradi (ad esempio, funzioni trapezoidali^)39,40.
   2. Fornire parametri espliciti per ogni limite di grado nel Supplementare File S3 e indicare se gli stessi parametri si applicano a tutti gli indicatori.
   3. Per ogni indicatore, converti ogni risposta dell'apprendente in un vettore di appartenenza a 5 elementi, poi si aggrega tra gli studenti (ad esempio, facendo la media delle appartenenze) per formare il vettore di appartenenza a livello di indicatore.
   4. Impila tutti i vettori di appartenenza a livello di indicatore per costruire la matrice di appartenenza indicatore per grado.

8. Eseguire sintesi fuzzy e derivare l'indice di sostenibilità (SI)

1. Applica un operatore fuzzy pesato.
   1. Combinare il vettore di peso dell'indicatore con la matrice di appartenenza all'indicatore usando un operatore di sintesi fuzzy pesata specificato (ad esempio, operatore di media pesata) per ottenere il vettore di appartenenza completo^41,42.
   2. Segnala il nome e la formula dell'operatore nel File Supplementare S3 per garantire la riproducibilità autonoma.
2. Defuzzify per calcolare SI su scala 0–100.
   1. Convertire il vettore di appartenenza completo a un singolo valore SI tramite la media ponderata dei punteggi dei voti (come definito nella sezione 8.1.2).
   2. Output dei valori SI a livello dimensionale ripetendo le sezioni 9.1–9.2 all'interno di ogni dimensione usando pesi indicatori specifici per dimensione.
   3. Classificare i valori SI utilizzando soglie predefinite: 85–90 = Eccellente; 75–84 = Buono; 65–74 = Moderato; 55–64 = Relativamente poveri; ≤ 54 = Povero.
      PUNTO DI PAUSA: Memorizza vettori intermedi, matrici e fogli di calcolo (o output script) con hash file in un repository.

9. Validazione qualitativa opzionale (metodi misti)

1. Campioni di partecipanti per le interviste.
   1. Campionare istruttori e studenti utilizzando uno schema teorico allineato ai modelli SI (ad esempio, alta vs. bassa adattabilità culturale) e ottenere ulteriore consenso per la registrazione.
   2. Utilizza una guida semi-strutturata per le interviste focalizzata sull'interpretabilità dei punteggi, i fattori percepiti della sostenibilità e i vincoli contestuali (Supplementary File S4)⁴³.
2. Codici e triangolazioni delle conclusioni.
   1. Trascrivi le registrazioni parola per parola e de-identifica le trascrizioni prima di codificare.
   2. Trascrizioni di codice utilizzando uno schema di codifica predefinito, e documentare la formazione dei codificatori, l'accordo tra codificatori (se applicabile) e le regole di risoluzione^44,45.
   3. Triangolare i temi qualitativi con i risultati SI a livello dimensionale per contestualizzare punti di forza e debolezza senza sovrascrivere la procedura quantitativa.

10. Report e archivio (pacchetto di riproducibilità)

1. Rapporto sui risultati principali.
   1. Riportare i pesi dimensionali e degli indicatori, le matrici di appartenenza (o riassunti), i valori SI, le etichette dei voti e i confronti dei sottogruppi (ad esempio, siti o gruppi di competenza).
   2. Indica tutte le regole di esclusione e le dimensioni finali analizzate del campione (assicurati la coerenza con l'Abstract/Results).
2. Materiali d'archivio e codice.
   1. Archiviare dataset anonimizzati, script e fogli di calcolo utilizzati per il pesaggio FAHP, il calcolo dei membri, la sintesi e la defuzzificazione.
   2. Fornire versioni software/runtime (ad esempio, versione del linguaggio di programmazione; versioni del pacchetto) e seed casuali fissi (se usati)^46,47.
3. Esegui un'analisi di sensibilità (consigliata).
   1. Perturbare i pesi degli indicatori di ±10% (uno alla volta o entro dimensione) durante la rinormalizzazione, ricalcola il SI e riassumi le fluttuazioni del SI per identificare i punti di leva (Tabella 2).
   2. Interpreta indicatori con basso peso ma alta sensibilità come potenziali "rischi soglia" e riportali esplicitamente.

Risultati

Pesi dimensionali e indicatori chiave
Utilizzando il processo di gerarchia analitica fuzzy (FAHP), i pesi dimensionali indicavano che la dimensione tecnica (T) contribuiva la maggiore quota alla sostenibilità (0,32), seguita dalla dimensione culturale (C, 0,26) e dalla dimensione pedagogica (P, 0,23), mentre la dimensione politica (G) riceveva il peso più basso (0,19)¹⁷. A livello dell'indicatore, la dimensione tecnica ha dato priorità all'effi...

Discussione

Questo protocollo dimostra che un flusso di lavoro ibrido FAHP–FCE può operativizzare la "sostenibilità dell'insegnamento" nei corsi di letteratura cinese internazionale assistiti digitalmente come un indice trasparente e riproducibile piuttosto che come un risultato vagamente definito. I risultati indicano che la funzionalità tecnica funziona come livello prerequisito per la sostenibilità, con l'interpretabilità algoritmica che mostra la massima sensibilità alle fluttuazioni dell'indice...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Questionario per studenti (19 item)	Auto-progettato	N/A	Usata per raccogliere gli studenti valutazioni di tecnologia, pedagogia, cultura e dimensioni politiche; Scala di Likert a 7 punti
Forma di confronto a coppie per esperti	Auto-progettato	N/A	Usata per raccogliere esperti' Confronti a coppie fuzzy per il calcolo del peso FAHP
Modello di raccolta dati e modello Sceneggiature	Excel / Python	N/A	Utilizzato per l'archiviazione dati, il calcolo delle matrice di appartenenza e la generazione di Sustainability Index (SI)