ファジィ分析階層プロセスとファジー包括的評価を通じたデジタル国際中国文学教育の持続可能性

サマリー

このプロトコルは、再現可能なファジィ分析階層プロセスとファジィ包括的評価(FAHP-FCE)ワークフローを詳細に示し、デジタル支援による国際中国文学教育の持続可能性を定量化します。技術的、教育的、文化的、政策の各側面にわたる持続可能性を実運用化し、指標の重み、次元スコア、そして文脈を比較するための解釈可能な持続可能性指数を出力します。

要約

本プロトコルは、FAHP–FCEハイブリッドモデルを用いて、デジタル支援による国際中国文学教育の持続可能性を評価する再現可能な方法を説明しています。全体的な目標は、多次元的な持続可能性判断を透明で定量的な持続可能性指数(SI)に変換することです。ワークフローは19の指標からなる4次元指標システムを構築します。専門家の判断はFAHPを通じて指標の重みを導き出し、学習者および教師のアンケート回答はFCE手続きを用いて会員レベルにマッピングされます。重み付けファジィ合成とデファジィ化によりSIが得られます。中国の3つの大学(237名の学習者と9名の教員)での代表的な実施により、全体のSIは78.2(「良好」)となり、文化適応や制度的資源の違いと一致した意味のある地域差が見られました。このプロトコルは、信頼できる専門家パネルの招集に大きく依存しています。さらに、指標は一貫して運用される必要があり、地域の政策定義やカリキュラム目標の違いが直接的な比較を複雑にすることがあります。今後の応用には、重みやメンバーシップ分布の安定性を検証するための複数学期にわたる縦断的実装や、このファジィアプローチを他の多基準モデルと比較してベンチマークする比較研究が含まれるべきです。

概要

近年、グローバル化とデジタル化の加速的な融合により、国際的な中国教育は技術支援の教室からデジタルネイティブ学習エコシステムへとシフトしています^1,2。この変化の中で、中国文学のコースは言語習得を支援するだけでなく、また、文化的アイデンティティ、美的感受性、解釈能力を育成^します。これらの成果は特にデジタル環境では脆弱であり、従来の評価手法は即時的で容易に定量化できる認知的向上を優先し、感情的共鳴、持続的な文化的関与、^解釈の深さといった長期的な目標を過小評価しがち^です。特に、このプロトコルは人間の行動の観点から教育の持続可能性を評価しています。学習者や教師がデジタル文献プラットフォームと関わる際の認知反応、感情的関与、指導行動を定量化することで、このフレームワークは主観的な人間経験を測定可能な行動指標に変換します。

既存の評価は範囲と期間の両面で限られています。多くの研究は依然として知識習得の簡略化された測定^{に依存しており、}美的快楽、文化的共感、対話的解釈といった複雑な学習体験は過小評価されたり、周辺的な成果として扱われたりしています^8,9。さらに、短期間の観察期間(しばしば1学期未満)は、デジタルツールが学習者の解釈ルーチンを徐々に形作り、教師のデジタル教育的専門知識が反復的実践を通じてどのように発展するかなどの累積効果を見落とす可能性があります(^10,11)。評価フレームワークもしばしば断片化されており、技術的または教育的指標は単独で報告され、持続可能な実施を制約または可能にする文化的・政策的条件が一つの一貫したモデルに統合されることは稀です¹²。この断片化は、特に意味形成が本質的に開かれていて文脈に依存する異文化文学教室において、場所間の移転可能性を低下させます^13,14。

これまでの研究では、デジタルツールの導入や言語習得における短期的な認知向上について広く探求されていますが、評価フレームワークは依然としてしばしば断片化されています。既存の文献には、技術的、教育的、文化的、政策の各側面を統合した包括的なモデルが欠けています。この重要なギャップを埋めるために、標準化されたFAHP-FCEフレームワークを導入し、主観的で短期的な評価から、サイト間比較を支援する透明で再現性の高い持続可能性指数へと移行する必要があります。

これらの制約に対処するため、本プロトコルはデジタル支援による国際中国文学教育の持続可能性を評価するための再現可能な枠組みを導入します。ファジィ多基準意思決定論理を基に、この手法はファジィ分析階層プロセス(FAHP)とファジィ包括評価(FCE^)を統合し、技術的機能性、教育効果、文化的適応性、政策支援という4つの関連した次元で持続可能性を実用化します。このアプローチは、「鮮明な」スコアリングモデルに比べて3つの実用的な利点を提供するよう設計されています。1つは、専門家の判断から指標の重みを透明に導きつつ、言語的不確実性を考慮できる点です。アンケートの回答を会員の学位に変換し、段階的な認識をよりよく反映します。また、サイト間比較および感度分析を支持する解釈可能な持続可能性指数(14,16,17)を導き出します。解釈の透明性、異文化間の適応性、長期的な信頼性を評価ワークフローに組み込むことで、プロトコルは短期的な成果チェックを超え、他のデジタル媒介や異文化教育の文脈にも応用可能な評価ツール^{を提供します。}

プロトコル

研究が機関の人間研究倫理ガイドラインおよび適用されるデータ保護規則に準拠していることが保証^{されています。}研究手続きの前に、各参加者から書面によるインフォームドコンセントが取得されました。各参加者に研究コードを割り当て、すべてのデータセットを匿名化し、リンクキー(識別子<>コード)を別のアクセス制限ファイルに保存しました。生データへのアクセスは認可された職員のみに限定し、倫理申請書には保存期間と削除計画を記載すること。

1. 評価文脈と資料の作成

1. 指導の文脈(すなわち、特定の教育環境、学習者の人口構成、デジタル支援教育が行われる教育的枠組み)を定義してください。
   1. コースの種類(国際中国文学)、対象対象、提供方法(対面、混合、オンライン)を指定してください。
   2. 最低学習者習熟度の閾値(例:中国語能力試験[HSK]レベル5または同等)を定め、運用資格基準(試験証明書、配置結果、または教員確認)を明記してください。^21,22。
   3. 期間の長さ(週)、対応時間、プラットフォーム/ツールの制約(ブランド名なし)、および単一の評価目標を指定します:FAHP–FCE^{ワークフロー23、24、25}を用いて教育の持続可能性を定量化すること。
2. 材料リストをまとめてください
   1. すべての備品(フォーム、機器、スクリプト、ソフトウェア、ストレージ)を材料 表に記録してください。これには、(i) 19項目の学習者アンケート(補足ファイルS1)、(ii) 専門家ペアワイズ比較フォーム(補足ファイルS2)、(iii) インフォームドコンセントフォーム、(iv) データキャプチャテンプレート、(v) 分析スクリプトおよびそのバージョンが含まれます。
   2. ファイル名とバージョン識別子を割り当てて再現性を確保します(例:補足ファイルS1_questionnaire_items.pdf、補足ファイルS2_expert_form.pdf、fahp_weighting.py、fce_membership.py、si_compute.py、analysis_readme.txt)^26,27)。
3. ワークフロー図を作成する(図1)
   1. セクション1から10までをまとめた1ページのフローチャートを作成し、各ハンドオフ時の入力/出力にラベルを付けます(専門家の判断>ファジィ行列>重み、学習者の回答>メンバーシップ行列、持続可能性指数>合成)。
   2. PAUSE POINTS(セクション3.2、4.2、8.3)にマークし、手順を安全に停止できる重要な段階や、再現性を確保するために特定のデータアーティファクトをアーカイブする必要がある箇所、各ポイントで保存すべきアーティファクトを示します。

2. 指標フレームワークを構築する

1. 三層の階層構造を築きましょう。
   1. 評価目標を4つの次元(技術的機能性、教育効果、文化的適応性、政策支援)にマッピングします。
   2. 4つの次元(目的 > 次元 > 指標)の下に19の指標を定義し、各指標がアンケート回答や文書化された証拠によって測定可能であることを確認しましょう。
2. 指標と応答フォーマットを定義してください。
   1. 各指標に対して操作的定義を作成し、それが正(高いほど良い)か負のものか(低いほど良い)かを指定し、指標と次元のマッピングをデータ辞書に記録します(表1)。
   2. 学習者反応尺度を7点リッカー形式で指定し、アンカーは以下の通りです:1 = 強く反対;7 = 強く同意します。
      注意:コホート間での再利用用のために指標セットを最終化・凍結し、データ辞書と 表1 バージョンをアーカイブしてください。

3. 専門家パネルを編成し、ペアワイズ判断(FAHP)を収集する

1. 専門家のパネルを募集しましょう。
   1. クロスロールパネル(例:文学講師、教育技術専門家、評価研究者、管理者)を募集します。
   2. 資格基準(経験年数、デジタル指導への慣れ、異文化教育の経験)を定義し、パネル構成を透明性のために文書化してください。
2. ファジーなペアワイズ比較を集めましょう。
   1. 三角形ファジィ数(TFN)の寸法・指標と意味についての簡単なブリーフィングを列車専門家に提供します。^{TFN28、29、30}。
   2. 変動を減らすための明確なアンカーや例を提供してください(例:TFN [2, 3, 4] = 「重要」;TFN [4, 5, 6] = 「非常に重要」です。
   3. (i)4つの次元、(ii)各次元の指標についてペアワイズの判断を収集し、セッション終了前に完全性を検証します。

4. ファジィ判断行列を構築し、一貫性を検証する

1. あいまいな判断行列を構築します。
   1. 各エキスパートのペアワイズ応答を、各階層^レベル25で曖昧な逆行列に変換します。
   2. 未落入項目を確認し、集約前に相互承認ルールを厳格に適用してください。
2. 一貫性を検証し、意見の相違を和解させましょう。
   1. 各エキスパート行列を、三角形のファジィ数の重心(TFN)31,32,33など、あらかじめ指定されたルールを用いて鮮明な行列にデファズ化します。クリスプ値は以下の式で計算されます:
      
      ここで C はデファズ化されたクリスプ値、、、はそれぞれTFNの下限、モーダル(最も可能性が高い)値、および上界を表します。
   2. 解析階層過程(AHP)手順^34,35を用いて、クリアな行列の整合性比(CR)を計算します。これには、行列の主固有値(λ_max)を計算し、整合性指数(nを行列サイズ)を求め、適切なランダム指数(RI)で割ってCR()を得ることを含みます。受け入れ閾値をCR <0.10に設定してください。
   3. CR≥0.10の場合は、矛盾した比較を専門家に返し、ファシリテーションディスカッションで意見の相違を調整し、争われた判決のみを回収します。
      一時停止点:各マトリックス、CRレポート、照合ログをレプリケーションアーティファクトとしてアーカイブします。

5. ファジィウェイト(FAHP出力)を導出する

1. 個別の判断をまとめる。
   1. エキスファレント行列をグループレベルのファジィ行列に集約し、指定された演算子(例:ファジィ幾何平均)を用いる^17,36。
   2. 補足ファイルS2に集約演算子とパラメータを記録します。
2. 重りをデファズ化し、正規化しましょう。
   1. グループレベルのファジィ優先度をデファズ化し、同じあらかじめ指定されたデファジフィケーションルール¹⁰を用いて鮮明な重みを得ます。
   2. 各レベルの重みを正規化します(次元の合計は1、各次元の指標は合計1)し、最終的な次元と指示の重みベクトルを出力します。
   3. テーブル1には最終的な重みを記入し、次のFCEセクションで使用するテーブル版をロックします。

6. 学習者アンケートの作成および実施

1. 器具を準備しろ。
   1. 補足ファイルS1に19項目を逐語的に提供し、それぞれ表1の1つの指標にマッピングしてください。
   2. 7ポイントリッカート尺度を使用し、すべてのページや画面に明確なアンカーテキストを印刷してください(1=強く反対、7=強く同意)。
   3. 小グループ(例:10〜15名)でアンケートをパイロットテストし、理解度と完了時間を確認します。³⁷。
2. アンケートを実施し、参加者一人につき1つのユニークな回答を強制します。
   1. 適格な学習者(HSK 5+または運用上の同等)を招待し、標準化されたデータ収集プロトコルを確立します。正確な実施期間(例:学期末の2週間の定められた期間)および完了モード(例:集中した参加を確保するための15〜20分の授業中監督付きセッション、または安全で時間制限のあるアンケートリンクによるオンライン配信)を指定してください。講師や研究者は、アンケート配布前に標準化された説明を行い、研究の目的を明確に説明し、データの匿名性を確保し、7ポイントリッカート尺度のアンカーをすべての回答者に定義しなければなりません。
   2. 参加者ごとに1回の回答を強制し、学習者ごとに一度きりのアクセストークン(または同等のワンタイムコード)を発行し、繰り返し送信を無効化し、トークンログを使って重複をチェックします。
   3. 匿名性が必要な場合は、トークンをレスポンスとは別に保存し、解析前にログイン識別子をハッシュ化してください。
   4. データのクリーニング前に、すべての除外ルール(例:不完全な回答、重複トークンエントリ)を記録し、事後的なバイアスを防ぎましょう。
3. サブグループ分析のためのメタデータを記録する。
   1. 回答者プロファイルを明確に定義し、サブグループ分析のために包括的な非特定メタデータを記録します。学習者には、母語グループ、年齢、性別、中国語学習年数、現在のHSK習熟度、専攻、コースタイプ、学習場所などの人口統計的および学術的特徴を含める必要があります。専門家パネルには、教職経験年数、取得した最高学位、特定の分野の専門知識(例:文学指導、教育技術)など、専門的な属性を明確に記録してください。
      注意:個人を特定できる情報を保護し、承認されたデータ処理手順を遵守してください。

7. 会員資格の計算(FCE)

1. 評価評価と数値スコアを定義してください。
   1. 5つの評価セットを定義します:優秀、良好、中程度、比較的悪い、悪い。
   2. 成績から指数への換算のための数値スコア(例:90、80、70、60、50)を割り当て、 補足ファイルS3³⁸にスコアスキームを記録します。
2. メンバーシップ関数を指定し、メンバーシップ行列を構築します。
   1. リッカート応答を等級にマッピングするための所属関数(例:台形関数)を指定します。^39,40。
   2. 補足ファイルS3の各グレード境界について明示的なパラメータを提供し、すべての指標に同じパラメータが適用されるかどうかを明記してください。
   3. 各指標ごとに、学習者の回答を5要素のメンバーシップベクトルに変換し、学習者間で集約(例:メンバーシップの平均)を組み合わせて指標レベルのメンバーシップベクトルを形成します。
   4. すべての指標レベルの会員ベクトルを積み重ねて、グレードごとの会員マトリックスを構築します。

8. ファジィ合成を行い、持続可能性指数(SI)を導出します

1. 重み付きファジィ演算子を適用します。
   1. 指示重みベクトルと指示者所属行列を、指定された加重ファジィ合成演算子(例:加重平均演算子)を用いて組み合わせて包括的所属ベクトル^41,42を得る。
   2. オペレーターの名前と式を 補足ファイルS3 で報告し、独立した再現性を確保してください。
2. 0から100スケールのSIを計算するためにデファズ化します。
   1. 包括的会員率ベクトルを、グレードスコアの加重平均(セクション8.1.2で定義)によって単一のSI値に変換します。
   2. 次元固有の指標重みを用いて、各次元内でセクション9.1–9.2を繰り返して次元レベルのSI値を出力します。
   3. あらかじめ指定されたカットオフでSI値を分類します:85–90=優秀;75–84 = 良し;65–74 = 中道;55–64 = 比較的貧しい;≤ 54 = 貧しい。
      PAUSE POINT:中間ベクトル、行列、計算シート(またはスクリプト出力)をファイルハッシュとともにリポジトリに保存します。

9. 任意の質的検証(混合手法)

1. インタビュー参加者のサンプル。
   1. SIパターン(例:文化適応性が高いか低いか)に沿った目的的なスキームを用いる指導者や学習者をサンプルし、追加の同意を得て記録を行います。
   2. スコアの解釈可能性、持続可能性の要因、文脈的制約に焦点を当てた半構造化面接ガイドを活用してください(補足ファイルS4)⁴³。
2. コードと三角測量の発見。
   1. 録音を逐語的に書き起こし、符号化前に書き起こしを非識別化すること。
   2. あらかじめ指定されたコーディング方式を用いたコードトランスクリプト、文書コーダートレーニング、コード同士合意(該当する場合)、および解決ルール^44,45。
   3. 質的テーマを次元レベルのSI結果と三角分析し、定量的手続きを上書きせずに強みと弱みを文脈化します。

10. レポートおよびアーカイブ(再現性パッケージ)

1. コアアウトプットの報告。
   1. 報告の次元および指標の重み、会員マトリックス(または要約)、SI値、グレードラベル、サブグループ比較(例:拠点や習熟グループ)。
   2. すべての除外ルールと最終解析されたサンプルサイズを明記してください(要旨/結果との整合性を確保してください)。
2. アーカイブ資料とコード。
   1. FAHPの重み付け、メンバーシップ計算、合成、デファジィ化に使用される匿名化されたデータセット、スクリプト、スプレッドシートをアーカイブします。
   2. ソフトウェア/ランタイムバージョン(例:プログラミング言語バージョン、パッケージバージョン)および固定ランダムシード(使用時)を提供します^46,47。
3. ラン感度分析(推奨)。
   1. 摂動指標は±10%(一度に1つずつまたは次元内で)重みを付け、再正規化、SIの再計算、SI変動の要約を行い、レバレッジポイントを特定します(表2)。
   2. 重みは低いが感度が高い指標を潜在的な「閾値リスク」として解釈し、それらを明確に報告してください。

結果

次元の重みと主要指標
ファジィ分析階層プロセス(FAHP)を用いると、次元の重みは技術的次元(T)が持続可能性に最も大きな割合を占め(0.32)、次いで文化次元(C、0.26)、教育次元(P、0.23)、政策次元(G)が最も低い重み(0.19)を占めていることを示しました¹⁷。指標レベルでは、技術的次元が機能的反復効率(T3, 0.25)¹とアルゴリズム解釈可能性(T1, 0.22)を優先しました。文化的側面は、異文化間の解釈適応性(C2, 0.29)と文化的負荷による単語の正確さ(C1, 0.27)を強調しました。教育的側面では、感情的目標達成(P3, 0.24)が知識目標達成(P1, 0.21)を上回り、デジタル媒介文献指導における感情的および解釈的成果の重要性を強調し^{ています。}政策面では、データプライバシー遵守(G1, 0.26)が最も高くランク付けされており、全体の政策重みが比較的...

ディスカッション

このプロトコルは、ハイブリッドなFAHP–FCEワークフローが、デジタル支援された国際中国文学コースにおいて「持続可能性教育」を、緩やかに定義された成果ではなく透明で再現可能な索引として運用化できることを示しています。結果は、技術機能が持続可能性の前提層として機能し、アルゴリズム解釈可能性が持続可能性指数(SI)変動に対して最も敏感であること^{を示しています。}実際には、このパターンは段階的な論理と一致しています。学習者や指導者は、より深い文化的関与や^{解釈作業を維持する}ためには、安定的で説明可能なシステム挙動を必要とする傾向があります。

もう一つの重要なポイントは文化的適応力であり、これは特に非英語圏やあまり教えられていない言語背景の学習者にとって重要^でした。質的テーマはこの定量的パターンの解釈を助けます。コーパスやインターフェースのデフォルトが暗黙的に英語中心の場合、他の言語...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
学習者質問票(19項目)	セルフデザイン	該当なし	学習者を集めるために使われる技術、教育法、文化、政策の側面の評価、7点リッカート尺度
専門家ペアワイズ比較形式	セルフデザイン	該当なし	専門家の収集に使われましたFAHP重み計算のためのファジィペアワイズ比較
データキャプチャテンプレート&文字	Excel / Python	該当なし	データ保存、メンバーシップマトリックスの計算、持続可能性指数(SI)生成に使用されます