Duurzaamheid van digitale internationale Chinese literatuuronderwijs via een fuzzy analytisch hiërarchieproces en fuzzy comprehensive evaluation

Samenvatting

Dit protocol beschrijft een reproduceerbaar fuzzy analytic hiërarchieproces en fuzzy comprehensive evaluation (FAHP-FCE) workflow om de duurzaamheid van digitaal ondersteunde internationale Chinese literatuuronderwijs te kwantificeren. Het operationaliseert duurzaamheid over technische, pedagogische, culturele en beleidsdimensies, en levert indicatorgewichten, dimensiescores en een interpreteerbare duurzaamheidsindex voor cross-context vergelijking.

Samenvatting

Dit protocol beschrijft een reproduceerbare methode om de duurzaamheid van digitaal ondersteund internationaal Chinese literatuuronderwijs te evalueren met behulp van een hybride FAHP–FCE-model. Het algemene doel is om multidimensionale duurzaamheidsoordelen om te zetten in een transparante, kwantitatieve duurzaamheidsindex (SI). De workflow bouwt een vierdimensionaal indicatorsysteem bestaande uit 19 indicatoren. Deskundige beoordelingen leiden indicatorgewichten af via FAHP, terwijl de antwoorden van leerlingen- en lerarenvragenlijsten worden gekoppeld aan lidmaatschapsgraden met behulp van de FCE-procedure. Gewogen fuzzy synthese en defuzzificatie leveren vervolgens de SI op. Representatieve implementatie over drie universiteiten in China (237 leerlingen en 9 docenten) leverde een totale SI op van 78,2 ("Goed"), met betekenisvolle regionale variatie die consistent is met verschillen in culturele aanpassing en institutionele middelen. Het protocol is sterk afhankelijk van het samenstellen van een geloofwaardig expertpanel. Bovendien moeten indicatoren consistent worden geoperationaliseerd, omdat verschillende lokale beleidsdefinities of curriculumdoelen directe cross-site vergelijkingen kunnen bemoeilijken. Toekomstige toepassingen moeten longitudinale implementatie over meerdere semesters omvatten om de stabiliteit van gewichten en ledenverdelingen te testen, naast vergelijkende studies die deze vaag benadering vergelijken met alternatieve multi-criteria modellen.

Inleiding

In de afgelopen jaren heeft de versnellende convergentie van globalisering en digitalisering het internationale Chinese onderwijs hervormd, van technologie-ondersteunde klaslokalen naar digitaal inheemse leerecosystemen ^1,2. Binnen deze verschuiving nemen cursussen Chinese literatuur een onderscheidende positie in omdat ze meer doen dan alleen het ondersteunen van taalverwerving; Ze cultiveren ook culturele identiteit, esthetische gevoeligheid en interpretatieve competentie ^3,4. Deze uitkomsten kunnen vooral kwetsbaar zijn in digitale omgevingen, waar gangbare evaluatiebenaderingen vaak prioriteit geven aan directe, gemakkelijk kwantificeerbare cognitieve vooruitgang, terwijl ze langere doelen zoals emotionele resonantie, aanhoudende culturele betrokkenheid en interpretatieve diepgang^{onderschatten 5,6}. Cruciaal is dat dit protocol de duurzaamheid van onderwijs beoordeelt door de lens van menselijk gedrag. Door de cognitieve reacties, emotionele betrokkenheid en instructiegedrag van leerlingen en leraren die interactie hebben met digitale literatuurplatforms te kwantificeren, vertaalt het kader subjectieve menselijke ervaringen naar meetbare gedragsindicatoren.

Bestaande beoordelingen blijven beperkt in zowel omvang als duur. Veel studies vertrouwen nog steeds op vereenvoudigde metingen van kennisbeheersing⁷, waardoor complexe leerervaringen zoals esthetisch genot, culturele empathie en dialogische interpretatie ondergespecificeerd of behandeld worden als perifere uitkomsten ^8,9. Bovendien kunnen korte observatievensters – vaak korter dan één semester – cumulatieve effecten missen, waaronder hoe digitale hulpmiddelen geleidelijk de interpretatieve routines van leerlingen vormgeven en hoe de digitale-pedagogische expertise van docenten zich ontwikkelt via iteratieve praktijk^10,11. Evaluatiekaders zijn ook vaak gefragmenteerd: technische of pedagogische indicatoren worden geïsoleerd gerapporteerd, terwijl culturele en beleidsomstandigheden die duurzame implementatie kunnen beperken of mogelijk maken, zelden worden geïntegreerd in één samenhangend model¹². Deze fragmentatie vermindert de overdraagbaarheid tussen locaties, vooral in crossculturele literatuurklaslokalen, waar betekenisvorming van nature open en contextgevoelig is^13,14.

Hoewel eerder onderzoek uitgebreid de adoptie van digitale tools en kortetermijnwinst bij taalverwerving heeft onderzocht, blijven evaluatiekaders vaak gefragmenteerd. De bestaande literatuur mist uitgebreide modellen die technische, pedagogische, culturele en beleidsmatige dimensies integreren in één meetbare standaard. Deze studie moet worden uitgevoerd om deze kritieke kloof aan te pakken door een gestandaardiseerd FAHP-FCE-kader te introduceren, waarbij wordt overgestapt van subjectieve, kortetermijnevaluaties naar een transparante, reproduceerbare duurzaamheidsindex die cross-site vergelijking ondersteunt.

Om deze beperkingen aan te pakken, introduceert dit protocol een reproduceerbaar kader voor het evalueren van de duurzaamheid van digitaal ondersteund internationaal Chinese literatuuronderwijs. Gebaseerd op fuzzy multicriteria besluitvormingslogica integreert de methode fuzzy analytic hierarchy process (FAHP) met fuzzy comprehensive evaluation (FCE)¹⁵ om duurzaamheid te operationaliseren op vier gekoppelde dimensies: technische functionaliteit, pedagogische effectiviteit, culturele aanpassingsvermogen en beleidsondersteuning. De aanpak is ontworpen om drie praktische voordelen te bieden ten opzichte van "scherpe" scoringsmodellen: het leidt transparant indicatorgewichten af uit experts en houdt rekening met taalkundige onzekerheid; het zet vragenlijstantwoorden om in lidmaatschapsdiploma's die beter gegradueerde percepties weerspiegelen; en het levert een interpreteerbare Duurzaamheidsindex op die cross-site vergelijking en gevoeligheidsanalyse^ondersteunt 14,16,17. Door interpretatieve transparantie, crossculturele aanpassingsvermogen en langetermijnbetrouwbaarheid in de evaluatieworkflow te integreren, gaat het protocol verder dan kortetermijnuitkomstcontroles en biedt het een overdraagbaar beoordelingsinstrument voor andere digitaal gemedieerde en crossculturele onderwijscontexten¹⁸.

Protocol

Ervoor gezorgd dat de studie voldoet aan de ethische richtlijnen voor institutioneel onderzoek op mensen en de toepasbare gegevensbeschermingsregels^19,20. Schriftelijke geïnformeerde toestemming werd van elke deelnemer verkregen vóór elke studieprocedure. Elke deelnemer kreeg een studiecode toegewezen, alle datasets geanonimiseerd en de koppelingssleutel (identificaties <> codes) opgeslagen in een apart, toegangsbeperkt bestand. Beperkte de toegang tot ruwe gegevens tot alleen geautoriseerd personeel en documenteerde de bewaarperiode en het verwijderingsplan in de ethische aanvraag.

1. Voorbereiding van evaluatiecontext en materialen

1. Definieer de instructiecontext (d.w.z. de specifieke onderwijsomgeving, het demografische profiel van de leerling en het pedagogisch kader waarin het digitaal ondersteunde onderwijs plaatsvindt).
   1. Specificeer het cursustype (internationale Chinese literatuur), de doelgroep en de manier van aanbieden (fysiek, blended of online).
   2. Definieer de minimale drempel voor leerlingvaardigheid (bijv. Chinese Proficiency Test [HSK] niveau 5 of gelijkwaardig) en vermeld de operationele geschiktheidscriteria (testcertificaat, plaatsingsresultaat of instructeurbevestiging)^21,22.
   3. Specificeer de termlengte (weken), contacturen, platform-/toolingbeperkingen (zonder merknamen) en het enige evaluatiedoel: kwantificeer duurzaamheid van onderwijs met behulp van een FAHP–FCE-workflow 23,24,25.
2. Stel de materiaallijst samen
   1. Noteer alle materialen (formulieren, instrumenten, scripts, software en opslag) in de Materiaaltabel, waaronder: (i) de vragenlijst van 19 leerlingen (Aanvullend Bestand S1), (ii) het expert paarwijze vergelijkingsformulier (Aanvullend Bestand S2), (iii) geïnformeerde toestemmingsformulieren, (iv) data-verzamelingssjablonen, en (v) analysescripts en hun versies.
   2. Ken bestandsnamen en versie-identificaties toe voor reproduceerbaarheid (bijv. Supplementary File S1_questionnaire_items.pdf, Supplementary File S2_expert_form.pdf, fahp_weighting.py, fce_membership.py, si_compute.py en analysis_readme.txt)^26,27.
3. Maak het workflowdiagram aan (Figuur 1)
   1. Teken een stroomdiagram van één pagina met secties 1–10 en label input/output bij elke overdracht (expertbeoordelingen > vage matrices > gewichten; leerlingreacties > lidmaatschapsmatrices; synthese > Sustainability Index).
   2. Markeer PAUZEPUNTEN (Sectie 3.2, 4.2, 8.3), die kritieke fasen aangeven waarin de procedure veilig kan worden gestopt en waar specifieke data-artefacten gearchiveerd moeten worden om reproduceerbaarheid te waarborgen, en geven aan welke artefacten op elk punt moeten worden opgeslagen.

2. Bouw het indicatorkader op

1. Bouw een hiërarchie van drie niveaus.
   1. Koppel het evaluatiedoel aan vier dimensies (technische functionaliteit, pedagogische effectiviteit, culturele aanpassingsvermogen, beleidsondersteuning).
   2. Definieer de 19 indicatoren onder de vier dimensies (Doelstelling > Dimensie > Indicator) en zorg ervoor dat elke indicator meetbaar is via vragenlijstantwoord of gedocumenteerd bewijs.
2. Definieer indicatoren en het responsformaat.
   1. Schrijf een operationele definitie voor elke indicator, specificeer of deze positief is (hoger is beter) of negatief (lager is beter), en registreer de indicator-dimensiemapping in een datawoordenboek (Tabel 1).
   2. Specificeer de leerlingresponsschaal als een 7-punts Likert-formaat met ankers: 1 = sterk van oneens zijn; 7 = volledig mee eens.
      OPMERKING: Finaliseer en bevries de indicatorset voor hergebruik tussen cohorten en archiveer het datadictionary en de Table 1-versie .

3. Het expertpanel samenstellen en paargewijze oordelen (FAHP) verzamelen

1. Werf een expertpanel.
   1. Werf een cross-role panel (bijvoorbeeld literatuurdocenten, specialisten in onderwijstechnologie, beoordelingsonderzoekers en bestuurders).
   2. Definieer geschiktheidscriteria (jaren ervaring, bekendheid met digitale instructie en interculturele onderwijservaring) en documenteer de compositie van het panel voor transparantie.
2. Verzamel vage paargewijze vergelijkingen.
   1. Train experts met een korte briefing over de afmetingen/indicatoren en de betekenis van driehoekige vae getallen (TFN's)28,29,30.
   2. Geef expliciete ankers en voorbeelden om variabiliteit te verminderen (bijv. TFN [2, 3, 4] = "belangrijk"; TFN [4, 5, 6] = "zeer belangrijk").
   3. Verzamel paargewijze oordelen voor (i) de vier dimensies en (ii) indicatoren binnen elke dimensie en verifieer de volledigheid voordat de sessie wordt afgesloten.

4. Bouw vage beoordelingsmatrices en test consistentie

1. Bouw vage oordeelsmatrices.
   1. Zet de paargewijze antwoorden van elke expert om in een vage reciproke matrix op elk hiërarchieniveau²⁵.
   2. Controleer op ontbrekende vermeldingen en handhaaf wederkerigheidsregels vóór de aggregatie.
2. Test consistentie en verzoenen meningsverschillen.
   1. Defuzzify elke expertmatrix tot een scherpe matrix met behulp van een vooraf bepaalde regel, zoals het zwaartepunt van een driehoekig fuzzygetal (TFN)31,32,33^. De scherpe waarde wordt berekend met de volgende vergelijking:
      
      waarbij C de gedefuzzificeerde scherpe waarde is, en , , en respectievelijk de ondergrens, modale (hoogstwaarschijnlijke) waarde en bovengrens van de TFN vertegenwoordigen.
   2. Bereken de consistentieverhouding (CR) op de scherpe matrix met behulp van de Analytic Hierarchy Process (AHP) procedure^34,35. Dit houdt in dat de hoofdeigenwaarde (λ_max) van de matrix wordt berekend, de consistentieindex wordt bepaald (, waarbij n de matrixgrootte is), en deze wordt gedeeld door de juiste willekeurige index (RI) om de CR (). te verkrijgen. Stel de acceptatiedrempel in als CR < 0,10.
   3. Als CR 0,10 ≥, geef dan de inconsistente vergelijkingen terug aan de expert, verzoen meningsverschillen met behulp van gefaciliteerde discussie en onthoud alleen de betwiste oordelen.
      PAUZEPUNT: Archiveer elke matrix, CR-rapport en afstemmingslogboek als replicatie-artefacten.

5. Leid fuzzy gewichten af (FAHP-output)

1. Samenvat individuele oordelen.
   1. Aggregeer expertmatrices tot een fuzzy-matrix op groepsniveau met behulp van een gespecificeerde operator (bijv. fuzzy geometrisch gemiddelde)^17,36.
   2. Noteer de aggregatie-operator en parameters in Supplementary File S2.
2. Defuzzify en normaliseer gewichten.
   1. Defuzzify de fuzzy-prioriteiten op groepsniveau om scherpe gewichten te verkrijgen met dezelfde vooraf bepaalde defuzzificatieregel¹⁰.
   2. Normaliseer gewichten binnen elk niveau (dimensies tellen op tot 1; indicatoren binnen elke dimensie tellen tot 1) en geef de uiteindelijke dimensie en indicatorgewichtvectoren uit.
   3. Vul Tabel 1 met eindgewichten en vergrendel de tabelversie die wordt gebruikt voor de daaropvolgende FCE-sectie.

6. Ontwerp en beheer van de vragenlijst voor leerlingen

1. Maak het instrument klaar.
   1. Geef de volledige 19 items letterlijk in Aanvullende Map S1, elk gekoppeld aan één indicator in Tabel 1.
   2. Gebruik een 7-punts Likert-schaal met duidelijke ankertekst op elke pagina/scherm (1 = sterk oneens; 7 = helemaal mee eens).
   3. Proef de vragenlijst met een kleine groep (bijvoorbeeld 10–15 leerlingen) om begrip en voltooiingstijd³⁷ te bevestigen.
2. Administreer de vragenlijst en handhaaf één unieke reactie per deelnemer.
   1. Nodig in aanmerking komende leerlingen uit (HSK 5+ of operationeel equivalent) en stel een gestandaardiseerd dataverzamelingsprotocol op. Specificeer het exacte administratievenster (bijvoorbeeld een vastgestelde periode van twee weken aan het einde van het semester) en de voltooiingswijze (bijv. begeleide sessies in de klas van 15–20 minuten om gerichte deelname te waarborgen, of gecontroleerde online distributie via veilige, getimede enquêtelinks). Instructeurs of onderzoekers moeten een gestandaardiseerde briefing geven voordat de vragenlijst wordt verspreid, waarin het doel van het onderzoek duidelijk wordt uitgelegd, de gegevens worden anoniem gehouden en de 7-punts Likert-schaal voor alle respondenten wordt gedefinieerd.
   2. Handhaaf één reactie per deelnemer door per leerling een single-use access token uit te geven (of een equivalente eenmalige code), herhaalde inzendingen uit te schakelen en te controleren op duplicaten met behulp van het tokenlogboek.
   3. Als anonimiteit vereist is, sla tokens apart op van antwoorden en hash eventuele inlogidentificaties voordat je ze analyseert.
   4. Documenteer alle uitsluitingsregels (bijv. onvolledige antwoorden, dubbele tokenvermeldingen) voordat je de data opschont om post-hoc bias te voorkomen.
3. Registreer metadata voor subgroepanalyse.
   1. Registreer uitgebreide niet-identificerende metadata om het respondentprofiel duidelijk te definiëren voor subgroepanalyse. Voor leerlingen moet dit demografische en academische kenmerken omvatten, zoals moedertaalgroep, leeftijd, geslacht, jaren Mandarijnstudie, huidig HSK-vaardigheidsniveau, academische studierichting, cursustype en studielocatie. Voor het expertpanel wordt expliciet professionele demografie vastgelegd, waaronder jaren leservaring, hoogste academische graad en specifieke domeinexpertise (bijv. literatuuronderwijs, onderwijstechnologie).
      VOORZICHTIG: Bescherm persoonlijk identificeerbare informatie en volg goedgekeurde procedures voor gegevensafhandeling.

7. Compute membership degrees (FCE)

1. Definieer evaluatiecijfers en numerieke scores.
   1. Definieer een evaluatieset van vijf klassen: Uitstekend, Goed, Middelig, Relatief Slecht, Slecht.
   2. Ken numerieke scores toe voor de omzetting van cijfer naar index (bijv. 90, 80, 70, 60, 50) en registreer het beoordelingsschema in Supplementary File S3³⁸.
2. Specificeer lidmaatschapsfuncties en bouw lidmaatschapsmatrices.
   1. Specificeer lidmaatschapsfuncties voor het mappen van Likert-antwoorden op gradatielidmaatschappen (bijv. trapeziumfuncties)^39,40.
   2. Geef expliciete parameters voor elke cijfergrens in Aanvullend Bestand S3 en geef aan of dezelfde parameters gelden voor alle indicatoren.
   3. Voor elke indicator zet je elke leerlingenrespons om in een lidmaatschapsvector van 5 elementen, en aggregeer je vervolgens over de leerlingen heen (bijvoorbeeld door het gemiddelde van lidmaatschappen) om de indicatorniveaulidmaatschapsvector te vormen.
   4. Stapel alle indicator-niveau lidmaatschapsvectoren om de indicator-per-graad lidmaatschapsmatrix te construeren.

8. Fuzzy synthese uitvoeren en de duurzaamheidsindex (SI) afleiden

1. Pas een gewogen fuzzy-operator toe.
   1. Combineer de indicatorgewichtvector met de indicatorlidmaatschapsmatrix met behulp van een gespecificeerde gewogen fuzzy-syntheseoperator (bijvoorbeeld gewogen gemiddelde operator) om de uitgebreide lidmaatschapsvector^41,42 te verkrijgen.
   2. Rapporteer de naam en formule van de operator in Supplementair Bestand S3 om de zelfstandige reproduceerbaarheid te waarborgen.
2. Defuzzify om SI op een schaal van 0–100 te berekenen.
   1. Zet de uitgebreide lidmaatschapsvector om naar één enkele SI-waarde door gewogen gemiddelde van cijferscores (zoals gedefinieerd in sectie 8.1.2).
   2. Geef dimensieniveau SI-waarden uit door sectie 9.1–9.2 binnen elke dimensie te herhalen met dimensie-specifieke indicatorgewichten.
   3. Classificeer SI-waarden met behulp van vooraf bepaalde afkappunten: 85–90 = Uitstekend; 75–84 = Goed; 65–74 = Gematigd; 55–64 = Relatief Slecht; ≤ 54 = Slecht.
      PAUZEPUNT: Sla tussenliggende vectoren, matrices en berekeningsbladen (of script-uitvoeren) op met bestandshashes in een repository.

9. Optionele kwalitatieve validatie (gemengde methoden)

1. Steekproef deelnemers voor interviews.
   1. Steek instructeurs en leerlingen uit met een doelgericht schema dat aansluit bij SI-patronen (bijv. hoge versus lage culturele aanpassingsvermogen) en verkrijg aanvullende toestemming voor opname.
   2. Gebruik een semi-gestructureerde interviewgids gericht op interpreteerbaarheid van scores, vermeende drijfveren van duurzaamheid en contextuele beperkingen (Supplementary File S4)⁴³.
2. Code- en trianguleerbevindingen.
   1. Transcripteer opnames letterlijk en deidentificeer transcripties voordat ze coderen.
   2. Codeer transcripties met een vooraf gespecificeerd coderingsschema, documentcodeertraining, inter-coder overeenkomst (indien van toepassing) en resolutieregels^44,45.
   3. Trianguleer kwalitatieve thema's met SI-resultaten op dimensieniveau om sterke en zwakke punten te contextualiseren zonder de kwantitatieve procedure te overrulen.

10. Rapport en archief (reproduceerbaarheidspakket)

1. Rapporteer de kernoutput.
   1. Rapportagedimensies en indicatorgewichten, lidmaatschapsmatrices (of samenvattingen), SI-waarden, cijferlabels en subgroepvergelijkingen (bijv. locatie- of vaardigheidsgroepen).
   2. Vermeld alle uitsluitingsregels en de definitieve geanalyseerde steekproefgroottes (zorg voor consistentie met Abstract/Resultaten).
2. Archiefmateriaal en code.
   1. Archiveer geanonimiseerde datasets, scripts en spreadsheets die worden gebruikt voor FAHP-weging, lidmaatschapsberekening, synthese en defuzzificatie.
   2. Bied software-/runtimeversies aan (bijv. programmeertaalversie; pakketversies) en vaste willekeurige seeds (indien gebruikt)^46,47.
3. Voer gevoeligheidsanalyse uit (aanbevolen).
   1. Perturb-indicatoren wegen met ±10% (één voor één of binnen de dimensie) terwijl ze renormaliseren, SI herberekenen en SI-fluctuaties samenvatten om hefboompunten te identificeren (Tabel 2).
   2. Interpreteer indicatoren met een laag gewicht maar een hoge gevoeligheid als potentiële "drempelrisico's" en rapporteer deze expliciet.

Resultaten

Afmetingengewichten en sleutelindicatoren
Met behulp van het fuzzy analytic hierarchy process (FAHP) gaven de dimensiegewichten aan dat de technische dimensie (T) het grootste aandeel bijdroeg aan duurzaamheid (0,32), gevolgd door de culturele dimensie (C, 0,26) en de pedagogische dimensie (P, 0,23), terwijl de beleidsdimensie (G) het laagste gewicht kreeg (0,19)¹⁷. Op indicatorniveau gaf de technische dimensie prioriteit aan functionele iterat...

Discussie

Dit protocol toont aan dat een hybride FAHP–FCE-workflow "onderwijsduurzaamheid" in digitaal ondersteunde internationale Chinese literatuurcursussen kan operationaliseren als een transparante, reproduceerbare index in plaats van een losjes gedefinieerd resultaat. De resultaten geven aan dat technische functionaliteit functioneert als een vereiste laag voor duurzaamheid, waarbij algoritmische interpreteerbaarheid de hoogste gevoeligheid voor fluctuaties in de duurzaamheidsindex (SI)

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Learner Questionnaire (19-item)	Zelf ontworpen	N/A	Gebruikt om evaluaties van leerlingen te verzamelen over technologie, pedagogie, cultuur en beleidsdimensies; 7-punts Likert-schaal
Expert Pairwise-Comparison Form	Zelf ontworpen	N/A	Gebruikt om fuzzy pairwise-vergelijkingen van experts te verzamelen voor FAHP gewichtsberekening
Data-Capture Template & Scripts	Excel / Python	N/A	Gebruikt voor dataopslag, lidmaatschapsmatrix berekening en generatie van de duurzaamheidsindex (SI)