Zrównoważony rozwój cyfrowego międzynarodowego nauczania literatury chińskiej poprzez proces hierarchii analitycznej i kompleksową ewaluację

Podsumowanie

Protokół ten opisuje powtarzalny proces hierarchii rozmytej analizy oraz workflow kompleksowej oceny (FAHP-FCE), aby ilościowo określić trwałość cyfrowo wspomaganego nauczania literatury chińskiej na świecie. Operacjonalizuje zrównoważony rozwój w wymiarach technicznych, pedagogicznych, kulturowych i politycznych, a także generuje wagi wskaźników, oceny wymiarów oraz interpretowalny wskaźnik zrównoważonego rozwoju do porównania w różnych kontekstach.

Streszczenie

Protokół ten opisuje replikowalną metodę oceny trwałości cyfrowo wspomaganego międzynarodowego nauczania literatury chińskiej, wykorzystując hybrydowy model FAHP–FCE. Głównym celem jest przekształcenie wielowymiarowych ocen zrównoważonego rozwoju w przejrzysty, ilościowy indeks zrównoważonego rozwoju (SI). Workflow tworzy czterowymiarowy system wskaźników składający się z 19 wskaźników. Oceny ekspertów wyprowadzają wagi wskaźników za pomocą FAHP, natomiast odpowiedzi na kwestionariusze uczniów i nauczycieli są przypisywane do stopień członkostwa za pomocą procedury FCE. Ważona synteza rozmyta i odtłuszczanie dają wtedy SI. Reprezentatywna implementacja na trzech uniwersytetach w Chinach (237 uczniów i 9 nauczycieli) dała łączny SI na poziomie 78,2 ("Dobre"), z istotną zmiennością regionalną zgodną z różnicami w adaptacji kulturowej i zasobach instytucjonalnych. Protokół ten w dużej mierze zależy od powołania wiarygodnego panelu ekspertów. Ponadto wskaźniki muszą być konsekwentnie operacjonalizowane, ponieważ różne lokalne definicje polityki lub cele programowe mogą utrudniać bezpośrednie porównania między lokalizacjami. Przyszłe aplikacje powinny obejmować implementację podłużną w ciągu kilku semestrów, aby przetestować stabilność wag i rozkładów członkostwa, wraz z badaniami porównawczymi porównywalnymi to niejasne podejście z alternatywnymi modelami wielokryterialnymi.

Wprowadzenie

W ostatnich latach przyspieszające zbliżanie się globalizacji i cyfryzacji przekształciło międzynarodową edukację chińską, przechodząc od klas wspomaganych technologią do cyfrowo natywnych ekosystemów nauczania ^1,2. W ramach tej zmiany kursy literatury chińskiej zajmują wyróżniające się miejsce, ponieważ robią więcej niż tylko wspierają przyswajanie języków; Kształtują także tożsamość kulturową, wrażliwość estetyczną i kompetencje interpretacyjne ^3,4. Wyniki te mogą być szczególnie delikatne w środowiskach cyfrowych, gdzie dominujące podejścia do oceny często stawiają na natychmiastowe, łatwo mierzalne korzyści poznawcze, a jednocześnie niedoceniają cele długoterminowe, takie jak rezonans emocjonalny, trwałe zaangażowanie kulturowe czy głębia interpretacyjna ^5,6. Co istotne, protokół ten ocenia zrównoważony rozwój edukacji przez pryzmat ludzkiego zachowania. Poprzez kwantyfikację reakcji poznawczych, zaangażowania emocjonalnego oraz zachowań dydaktycznych uczniów i nauczycieli korzystających z platform literatury cyfrowej, ramy te przekładają subiektywne ludzkie doświadczenia na mierzalne wskaźniki zachowań.

Istniejące oceny pozostają ograniczone zarówno pod względem zakresu, jak i czasu trwania. Wiele badań nadal opiera się na uproszczonych miarach opanowania wiedzy⁷, pozostawiając złożone doświadczenia uczących się, takie jak przyjemność estetyczną, empatię kulturową i interpretację dialogiczną, niedoprecyzowane lub traktowane jako efekty peryferyjne ^8,9. Co więcej, krótkie okna obserwacji – często krótsze niż jeden semestr – mogą pominąć efekty kumulacyjne, w tym to, jak narzędzia cyfrowe stopniowo kształtują rutynę interpretacyjną uczniów oraz jak cyfrowo-pedagogiczne doświadczenie nauczycieli rozwija się poprzez praktykę iteracyjną^10,11. Ramy ewaluacyjne są również często rozproszone: wskaźniki techniczne lub pedagogiczne są raportowane w izolacji, podczas gdy warunki kulturowe i polityczne, które mogą ograniczać lub umożliwiać trwałe wdrażanie, rzadko są zintegrowane w jeden spójny model¹². Ta fragmentacja ogranicza transferowalność między miejscami, szczególnie w klasach literatury międzykulturowej, gdzie tworzenie znaczeń jest z natury otwarte i wrażliwe na kontekst ^13,14.

Chociaż wcześniejsze badania szeroko analizowały adopcję narzędzi cyfrowych oraz krótkoterminowe korzyści poznawcze w przyswajaniu języka, ramy ewaluacyjne pozostają często rozproszone. Istniejąca literatura nie posiada kompleksowych modeli, które integrowałyby wymiary techniczne, pedagogiczne, kulturowe i polityczne w jeden mierzalny standard. Badanie to musi zostać przeprowadzone, aby wypełnić tę kluczową lukę poprzez wprowadzenie standaryzowanego ramowego systemu FAHP-FCE, przechodząc od subiektywnych, krótkoterminowych ocen do przejrzystego, powtarzalnego indeksu zrównoważonego rozwoju wspierającego porównania między lokalizacjami.

Aby zniwelować te ograniczenia, protokół wprowadza powtarzalne ramy oceny trwałości cyfrowo wspomaganego międzynarodowego nauczania literatury chińskiej. Opierając się na rozmytej logice podejmowania decyzji wielokryterialnych, metoda integruje proces rozmytej hierarchii analitycznej (FAHP) z kompleksową ewaluacją (FCE)¹⁵, aby operacjonalizować zrównoważony rozwój w czterech powiązanych wymiarach: funkcjonalności technicznej, efektywności pedagogicznej, adaptacji kulturowej oraz wsparcia polityki. Podejście to zostało zaprojektowane tak, aby oferować trzy praktyczne zalety w porównaniu z modelami punktacji "ostrymi": przejrzystie wyprowadza wagi wskaźników na podstawie ocen ekspertów, jednocześnie uwzględniając niepewność językową; przekształca odpowiedzi z ankiet w stopnie członkostwa, które lepiej odzwierciedlają stopniowe postrzeganie; oraz daje interpretowalny Indeks Zrównoważonego Rozwoju, który wspiera porównania między lokalizacjami i analizę wrażliwości 14,16,17. Poprzez wprowadzenie przejrzystości interpretacyjnej, elastyczności międzykulturowej oraz długoterminowej niezawodności w procesie ewaluacji, protokół wykracza poza krótkoterminowe kontrole wyników i zapewnia przenośne narzędzie oceny dla innych cyfrowo mediowanych i międzykulturowych kontekstów nauczania¹⁸.

Protokół

Zapewniono, że badanie jest zgodne z wytycznymi etyki badań nad ludźmi oraz obowiązującymi przepisami dotyczącymi ochrony danych^19,20. Przed jakimkolwiek procesem badania każdy uczestnik uzyskał pisemną świadomą zgodę. Przypisano każdemu uczestnikowi kod badania, zanonimizowaliśmy wszystkie zbiory danych i przechowywaliśmy klucz łączący (identyfikatory <> kody) w osobnym, ograniczonym dostępie pliku. Ograniczenie dostępu do surowych danych wyłącznie dla osób upoważnionych oraz dokumentowanie okresu przechowywania i planu usuwania w wniosku etycznym.

1. Przygotowanie kontekstu i materiałów ewaluacyjnych

1. Zdefiniuj kontekst dydaktyczny (tj. konkretne środowisko edukacyjne, profil demograficzny ucznia oraz ramy pedagogiczne, w których odbywa się nauczanie wspomagane cyfrowo).
   1. Określ typ kursu (międzynarodowa literatura chińska), docelową grupę oraz sposób nauczania (stacjonarny, mieszany lub online).
   2. Określić minimalny próg biegłości ucznia (np. chiński test biegłości [HSK] poziom 5 lub równoważny) oraz podać kryteria operacyjne (certyfikat egzaminu, wynik przydziału lub potwierdzenie instruktora)^21,22.
   3. Określ długość kadencji (tygodnie), godziny kontaktowe, ograniczenia platformy/narzędzi (bez nazw marek) oraz jeden cel ewaluacji: ilościowo określić zrównoważony rozwój nauczania przy użyciu workflow FAHP–FCE 23,24,25.
2. Sporządz listę materiałów
   1. Zapisz wszystkie materiały (formularze, instrumenty, skrypty, oprogramowanie i magazyn) w Tabeli Materiałów, w tym: (i) 19-punktowy kwestionariusz dla uczniów (Plik Uzupełniający S1), (ii) formularz porównania parowym ekspertów (Plik Uzupełniający S2), (iii) formularze z świadomą zgodą, (iv) szablony do przechwytywania danych oraz (v) skrypty analizy i ich wersje.
   2. Przypisz nazwy plików i identyfikatory wersji dla ich powtarzalności (np. Plik Uzupełniający S1_questionnaire_items.pdf, Plik Uzupełniający S2_expert_form.pdf, fahp_weighting.py, fce_membership.py, si_compute.py i analysis_readme.txt)^26,27.
3. Stwórz diagram workflow (Rysunek 1)
   1. Narysuj jednostronicowy schemat blokowy podsumowujący sekcje 1–10 i oznacz wejścia/wyjścia przy każdym przekazaniu (oceny ekspertów > macierze rozmyte > wagi; odpowiedzi uczniów > macierze członkostwości; synteza > Indeksie Zrównoważonego Rozwoju).
   2. Zaznacz PUNKTY PAUZY (Sekcja 3.2, 4.2, 8.3), które wskazują krytyczne etapy, na których procedurę można bezpiecznie zatrzymać, oraz gdzie należy zarchiwizować konkretne artefakty danych, aby zapewnić powtarzalność, oraz wskazywać, jakie artefakty należy zapisać w każdym punkcie.

2. Skonstruować ramy wskaźników

1. Zbuduj hierarchię na trzech poziomach.
   1. Przypisz cel oceny do czterech wymiarów (funkcjonalność techniczna, efektywność pedagogiczna, elastyczność kulturowa, wsparcie polityki).
   2. Zdefiniuj 19 wskaźników w czterech wymiarach (Cel > Wymiar > Wskaźnik) i upewnij się, że każdy wskaźnik jest mierzalny za pomocą odpowiedzi w kwestionariuszu lub udokumentowanych dowodów.
2. Zdefiniuj wskaźniki i format odpowiedzi.
   1. Napisz definicję operacyjną dla każdego wskaźnika, określ, czy jest dodatnia (wyższa jest lepsza) czy ujemna (niższa jest lepsza) i zapisz odwzorowanie wskaźnik–wymiar w słowniku danych (Tabela 1).
   2. Określ skalę odpowiedzi ucznia jako 7-punktowy format Likerta z kotwicami: 1 = zdecydowanie się nie zgadzam; 7 = zdecydowanie się zgadzam.
      UWAGA: Sfinalizuj i zamroz zestaw wskaźników do ponownego wykorzystania w różnych grupach oraz archiwizuj słownik danych i wersję Tabeli 1 .

3. Zebrać panel ekspertów i zebrać oceny parą (FAHP)

1. Zrekrutuj panel ekspertów.
   1. Zrekrutować panel wielorolowy (np. wykładowcy literatury, specjaliści ds. technologii edukacyjnych, badacze oceny oraz administratorzy).
   2. Określ kryteria kwalifikacyjne (lata doświadczenia, znajomość nauczania cyfrowego oraz doświadczenie w nauczaniu międzykulturowym) i dokumentuj skład panelu dla przejrzystości.
2. Zbieraj rozmyte porównania parami.
   1. Szkolenie ekspertów krótkim briefingiem na temat wymiarów/wskaźników oraz znaczenia trójkątnych liczb rozmytych (TFN) 28,29,30.
   2. Dostarcz wyraźne kotwicy i przykłady zmniejszające zmienność (np. TFN [2, 3, 4] = "ważne"; TFN [4, 5, 6] = "bardzo ważne").
   3. Zbierz parowe oceny dla (i) czterech wymiarów i (ii) wskaźników w każdym wymiarze i zweryfikowaj kompletność przed zamknięciem sesji.

4. Buduj macierze rozmytego osądu i testuj spójność

1. Skonstruuj macierze rozmytych ocen.
   1. Przekształc parowe odpowiedzi każdego eksperta na rozmytą macierz odwrotną na każdym poziomie hierarchii²⁵.
   2. Sprawdź brak wpisów i egzekwuj zasady wzajemności przed agregacją.
2. Testuj spójność i rozwiązuj różnice.
   1. Defuzzizuj każdą macierz ekspertów do macierzy ostrej za pomocą wcześniej określonej reguły, takiej jak środek ognia trójkątnej liczby rozmytej (TFN)31,32,33^. Wartość ostra oblicza się za pomocą następującego równania:
      
      gdzie C to defuzzizowana wartość crisp, a , , oraz oznaczają dolną granicę, modalną (najprawdopodobniej) i górną granicę TFN, odpowiednio.
   2. Oblicz stosunek spójności (CR) na macierzy crisp za pomocą procedury Analytic Hierarchy Process (AHP)^34,35. Polega to na obliczeniu głównej wartości własnej (λ_max) macierzy, określeniu indeksu spójności (, gdzie n to rozmiar macierzy) oraz podzieleniu go przez odpowiedni losowy indeks (RI), aby uzyskać CR (). Ustaw próg akceptacji jako CR < 0,10.
   3. Jeśli CR ≥ 0,10, zwróć niespójne porównania ekspertowi, rozwiązuj niezgody za pomocą dyskusji ułatwionej i pamiętaj tylko sporne wyroki.
      PUNKT ZATRZYMANIA: Archiwizuj każdą macierz, raport CR i dziennik uzgadniania jako artefakty replikacji.

5. Wyprowadzenie wag rozmytych (wyjście FAHP)

1. Agreguj indywidualne oceny.
   1. Agreguj macierze ekspertów do macierzy rozmytej na poziomie grupowym, używając określonego operatora (np. średniej geometrycznej rozmytej geograficznej)^17,36.
   2. Zapisz operator agregacji i parametry w pliku uzupełniającym S2.
2. Odstraszcie i normalizuję wagi.
   1. Defuzzyzuj priorytety rozmyte na poziomie grupy, aby uzyskać precyzyjne wagi, stosując tę samą wcześniej określoną regułę defuzzyfikacji¹⁰.
   2. Normalizuj wagi w obrębie każdego poziomu (wymiary sumują się do 1; wskaźniki w każdym wymiarze sumują do 1) i wypisz ostateczne wektory wag wymiaru i wskaźników.
   3. Wypełnij Tabelę 1 ostatecznymi wagami i zablokuj wersję tabeli używaną w kolejnej sekcji FCE.

6. Projektowanie i prowadzenie kwestionariusza dla uczniów

1. Przygotuj instrument.
   1. Dostarcz pełne 19 pozycji dosłownie w Pliku Uzupełniającym S1, każdy przypisany do jednego wskaźnika w Tabeli 1.
   2. Użyj 7-punktowej skali Likerta z wyraźnym tekstem kotwiczym na każdej stronie/ekranie (1 = zdecydowanie się nie zgadzam; 7 = zdecydowanie się zgadzam).
   3. Testuj kwestionariusz pilotażowy z małą grupą (np. 10–15 uczniów), aby potwierdzić zrozumienie i czas ukończenia³⁷.
2. Przeprowadz ankietę i wymusz jedną unikalną odpowiedź na każdego uczestnika.
   1. Zaproś uprawnionych uczestników (HSK 5+ lub ich odpowiednik operacyjny) i ustalić ustandaryzowany protokół zbierania danych. Określ dokładny okres administracyjny (np. określony dwutygodniowy okres na koniec semestru) oraz sposób realizacji (np. sesje nadzorowane w klasie trwające 15–20 minut, aby zapewnić skoncentrowany udział, lub kontrolowaną dystrybucję online za pośrednictwem bezpiecznych, czasowych linków do ankiet). Wykładowcy lub badacze muszą przedstawić standaryzowane briefing przed dystrybucją kwestionariusza, jasno wyjaśniając cel badania, zapewniając anonimowość danych oraz definiując 7-punktowe kotwicze skali Likerta dla wszystkich respondentów.
   2. Wymusz jedną odpowiedź na uczestnika, wydając jednorazowy token dostępu na każdego uczestnika (lub równoważny jednorazowy kod), wyłączając powtarzalne zgłoszenia i sprawdzając duplikaty za pomocą dziennika tokenów.
   3. Jeśli wymagana jest anonimowość, przechowuj tokeny oddzielnie od odpowiedzi i zhashuj identyfikatory logowania przed analizą.
   4. Dokumentuj wszystkie reguły wykluczeń (np. niepełne odpowiedzi, duplikaty w tokenach) przed czyszczeniem danych, aby zapobiec stronniczości po wcześniejszym wydaniu.
3. Zapisz metadane do analizy podgrup.
   1. Rejestruj kompleksowe, nieidentyfikujące metadane, aby jasno określić profil respondenta do analizy podgrup. Dla uczniów musi to obejmować cechy demograficzne i akademickie, takie jak grupa języka ojczystego, wiek, płeć, lata nauki mandaryńskiego, aktualny poziom biegłości HSK, kierunek studiów, typ kursu oraz miejsce studiów. Dla panelu ekspertów należy wyraźnie zapisywać dane demograficzne zawodowe, w tym lata doświadczenia dydaktycznego, najwyższy uzyskany stopień naukowy oraz specjalistyczne kompetencje w konkretnych dziedzinach (np. nauczanie literatury, technologie edukacyjne).
      UWAGA: Chroń dane osobowe i stosuj zatwierdzone procedury obsługi danych.

7. Stopnie członkowskie obliczania (FCE)

1. Zdefiniuj oceny i wyniki liczbowe.
   1. Zdefiniuj zestaw ocen pięcioklasowych: Doskonałe, Dobre, Umiarkowane, Stosunkowo słabe, Słabe.
   2. Przypisz wyniki liczbowe do konwersji ocen na indeks (np. 90, 80, 70, 60, 50) i zapisz system punktacji w Pliku Uzupełniającym S3³⁸.
2. Określ funkcje członkostwa i buduj macierze członkostwa.
   1. Określ funkcje przynależności do mapowania odpowiedzi Likerta na przynależność do stopni (np. funkcje trapezowe)^39,40.
   2. Należy podać wyraźne parametry dla każdej granicy poziomu w Pliku Uzupełniającym S3 i określić, czy te same parametry mają zastosowanie we wszystkich wskaźnikach.
   3. Dla każdego wskaźnika przekształc każdą odpowiedź ucznia w wektor członkostwa składający się z 5 elementów, a następnie zagreguj między uczniami (np. przez uśrednianie członkostw), aby utworzyć wektor przynależności na poziomie wskaźnika.
   4. Ułoż wszystkie wektory członkostwa na poziomie wskaźników, aby stworzyć macierz przynależności wskaźnik według stopni.

8. Wykonaj syntezę rozmytą i wyznacz indeks zrównoważonego rozwoju (SI)

1. Zastosuj ważony operator rozmyty.
   1. Połącz wektor wagowy wskaźnika z macierzą przynależności wskaźnika, używając określonego ważonego operatora syntezy rozmytej (np. operatora średniej ważonej), aby uzyskać wektor przynależności kompleksowej^41,42.
   2. Zgłoś nazwę i wzór operatora w Pliku Uzupełniającym S3 , aby zapewnić samodzielną powtarzalność.
2. Defuzzify, aby obliczyć SI w skali 0–100.
   1. Przekształcić wszechstronny wektor członkostwa na jedną wartość SI poprzez ważone uśrednianie wyników ocen (zgodnie z definicją w sekcji 8.1.2).
   2. Generuj wartości SI na poziomie wymiarowym, powtarzając sekcje 9.1–9.2 w każdym wymiarze, używając specyficznych dla wymiaru wag wskaźnikowych.
   3. Klasyfikuj wartości SI według wcześniej określonych progów: 85–90 = Doskonałe; 75–84 = Dobrze; 65–74 = Umiarkowany; 55–64 = Stosunkowo słabo; ≤ 54 = Słaby.
      PUNKT PAUZY: Przechowywanie wektorów pośrednich, macierzy oraz arkuszy obliczeniowych (lub wyjść skryptów) z hashami plików w repozytorium.

9. Opcjonalna walidacja jakościowa (metody mieszane)

1. Przykładowe uczestnictwo do wywiadów.
   1. Przykładaj instruktorów i uczniów stosujących celowy schemat zgodny z wzorcami SI (np. wysoka vs. niska adaptacja kulturowa) i uzyskaj dodatkową zgodę na nagrywanie.
   2. Korzystaj z półustrukturyzowanego przewodnika po wywiadach skoncentrowanego na interpretowalności wyników, postrzeganych czynnikach zrównoważonego rozwoju oraz ograniczeniach kontekstowych (Supplementary File S4)⁴³.
2. Kod i wyniki triangulacji.
   1. Przepisz nagrania dosłownie i usuń identyfikację z transkrypcji przed kodowaniem.
   2. Transkrypcje kodu wykorzystujące wcześniej określony schemat kodowania, szkolenie kodera dokumentu, porozumienie między programistami (jeśli dotyczy) oraz zasady rezolucji^44,45.
   3. Ułóż tematy jakościowe na podstawie wyników SI na poziomie wymiarowym, aby kontekstualizować mocne i słabe strony bez pomijania procedury ilościowej.

10. Raport i archiwum (pakiet powtarzalności)

1. Raportuj o kluczowych wynikach.
   1. Raportuj wymiary i wagi wskaźnikowe, macierze członkostwa (lub podsumowania), wartości SI, etykiety ocen oraz porównania podgrup (np. grupy stanowiska lub kompetencji).
   2. Podaj wszystkie zasady wykluczeń oraz ostateczne przeanalizowane rozmiary prób (upewnij się o spójność z Abstract/Results).
2. Materiały archiwalne i kod.
   1. Archiwizuj zanonimizowane zbiory danych, skrypty i arkusze kalkulacyjne używane do ważenia FAHP, obliczania członkostwa, syntezy i odstraszania problemów.
   2. Udostępniaj wersje oprogramowania/runtime (np. wersję języka programowania; wersje pakietów) oraz stałe losowe seedy (jeśli są używane)^46,47.
3. Przeprowadź analizę czułości (zalecana).
   1. Wagi wskaźnika zakłóceń o ±10% (po jednym lub w obrębie wymiaru) podczas renormalizacji, ponownego obliczania SI i podsumowywania fluktuacji SI, aby zidentyfikować punkty dźwigni (Tabela 2).
   2. Interpretuj wskaźniki o niskiej wadze, ale wysokiej czułości jako potencjalne "progowe ryzyka" i raportuj je wprost.

Wyniki

Wagi wymiarowe i wskaźniki kluczowe
Stosując proces rozmytej hierarchii analitycznej (FAHP), wagi wymiarowe wskazywały, że wymiar techniczny (T) miał największy udział w zrównoważonym rozwoju (0,32), następnie wymiar kulturowy (C, 0,26) i wymiar pedagogiczny (P, 0,23), podczas gdy wymiar polityki (G) otrzymał najniższą wagę (0,19)¹⁷. Na poziomie wskaźników wymiar techniczny priorytetowo kładł na efektywność iteracji funkcjonalnej (T3, 0,25)¹ oraz inter...

Dyskusja

Protokół ten pokazuje, że hybrydowy workflow FAHP–FCE może operacjonalizować "zrównoważony rozwój nauczania" w cyfrowo wspomaganych kursach literatury chińskiej jako przejrzysty, powtarzalny indeks, a nie jako luźno określony wynik. Wyniki wskazują, że funkcjonalność techniczna pełni rolę warstwy wstępnej dla zrównoważonego rozwoju, a interpretowalność algorytmiczna wykazuje najwyższą wrażliwość na wahania indeksu zrównoważonego rozwoju (SI)³¹. W praktyce ten wzorzec jest zgodny z logiką etapową: ...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Kwestionariusz dla uczniów (19 pozycji)	Samodzielnie zaprojektowany	Nie ma	Wykorzystywane do zbierania uczniów oceny wymiarów technologii, pedagogiki, kultury i polityki; Skala Likerta 7-punktowa
Ekspercki formularz porównania parowego	Samodzielnie zaprojektowany	Nie ma	Wykorzystywane do zbierania ekspertów' Porównania parowe rozmyte do obliczania wagi FAHP
Szablon przechwytywania danych i szablon Scenariusze	Excel / Python	Nie ma	Wykorzystywane do przechowywania danych, obliczania macierzy członkostwa oraz generowania indeksu zrównoważonego rozwoju (SI)