Sustentabilidade do Ensino Digital Internacional da Literatura Chinesa por meio do Processo de Hierarquia Analítica Fuzzy e Avaliação Abrangente Fuzzy

Resumo

Este protocolo detalha um processo reprodutível de hierarquia analítica difusa e um fluxo de trabalho de avaliação abrangente difusa (FAHP-FCE) para quantificar a sustentabilidade do ensino internacional de literatura chinesa assistido digitalmente. Ele operacionaliza a sustentabilidade em dimensões técnicas, pedagógicas, culturais e políticas, e produz pesos de indicadores, pontuações de dimensão e um índice de sustentabilidade interpretável para comparação entre contextos.

Resumo

Este protocolo descreve um método replicável para avaliar a sustentabilidade do ensino internacional de literatura chinesa assistido digitalmente usando um modelo híbrido FAHP–FCE. O objetivo geral é converter julgamentos multidimensionais de sustentabilidade em um índice de sustentabilidade (SI) transparente e quantitativo. O fluxo de trabalho constrói um sistema de indicadores quadridimensional composto por 19 indicadores. Julgamentos de especialistas derivam pesos indicativos via FAHP, enquanto as respostas de aluno e professor em questionários são mapeadas para os graus de filiação usando o procedimento FCE. A síntese e a defuzzificação ponderadas então produzem o SI. A implementação representativa em três universidades na China (237 alunos e 9 professores) produziu um SI geral de 78,2 ("Bom"), com variação regional significativa consistente com diferenças na adaptação cultural e nos recursos institucionais. O protocolo depende fortemente da convocação de um painel de especialistas confiável. Além disso, os indicadores devem ser operacionalizados de forma consistente, pois definições locais de políticas ou objetivos curriculares diferentes podem complicar comparações diretas entre locais. As aplicações futuras devem incluir implementação longitudinal ao longo de vários semestres para testar a estabilidade dos pesos e das distribuições de membros, ao lado de estudos comparativos que comparem essa abordagem difusa com modelos alternativos multicritério.

Introdução

Nos últimos anos, a convergência acelerada entre globalização e digitalização remodelou a educação chinesa internacional, migrando de salas de aula assistidas por tecnologia para ecossistemas de aprendizagem nativos^{digitais 1,2}. Dentro dessa mudança, os cursos de literatura chinesa ocupam uma posição distinta porque fazem mais do que apoiar a aquisição da língua; Eles também cultivam identidade cultural, sensibilidade estética e competência^{interpretativa 3,4}. Esses resultados podem ser especialmente frágeis em ambientes digitais, onde abordagens predominantes de avaliação frequentemente priorizam ganhos cognitivos imediatos e facilmente quantificáveis, enquanto sub-representam objetivos de longo prazo, como ressonância emocional, engajamento cultural sustentado e profundidade^{interpretativa 5,6}. Crucialmente, esse protocolo avalia a sustentabilidade educacional sob a ótica do comportamento humano. Ao quantificar as respostas cognitivas, o engajamento emocional e os comportamentos instrucionais de aprendizes e professores interagindo com plataformas de literatura digital, o arcabouço traduz experiências humanas subjetivas em indicadores comportamentais mensuráveis.

As avaliações existentes ainda são limitadas tanto em escopo quanto em duração. Muitos estudos ainda dependem de medidas simplificadas de domínio^{do conhecimento 7}, deixando experiências complexas do aprendiz, como prazer estético, empatia cultural e interpretação dialógica, pouco especificadas ou tratadas como desfechos periféricos ^8,9. Além disso, janelas de observação curtas — muitas vezes mais curtas que um único semestre — podem perder efeitos cumulativos, incluindo como as ferramentas digitais moldam gradualmente as rotinas interpretativas dos aprendizes e como a expertise digital-pedagógica dos professores se desenvolve por meio da prática^{iterativa 10,11}. Os quadros de avaliação também são frequentemente fragmentados: indicadores técnicos ou pedagógicos são relatados isoladamente, enquanto condições culturais e políticas que podem restringir ou possibilitar uma implementação sustentável raramente são integradas em um único modelo^{coerente 12}. Essa fragmentação reduz a transferibilidade entre locais, especialmente em salas de aula de literatura intercultural, onde a criação de significado é inerentemente aberta e sensível ao^{contexto 13,14}.

Embora pesquisas anteriores tenham explorado extensivamente a adoção de ferramentas digitais e ganhos cognitivos de curto prazo na aquisição da linguagem, os frameworks de avaliação permanecem frequentemente fragmentados. A literatura existente carece de modelos abrangentes que integrem dimensões técnicas, pedagógicas, culturais e políticas em um único padrão mensurável. Este estudo precisa ser conduzido para suprir essa lacuna crítica, introduzindo uma estrutura padronizada do FAHP-FCE, transitando de avaliações subjetivas e de curto prazo para um índice de sustentabilidade transparente e reproduzível que apoie a comparação entre locais.

Para enfrentar essas limitações, este protocolo introduz uma estrutura reprodutível para avaliar a sustentabilidade do ensino digital assistido de literatura chinesa internacional. Com base na lógica de tomada de decisão multicritério difusa, o método integra o processo hierárquico analítico difuso (FAHP) com a avaliação abrangente difusa (FCE)¹⁵ para operacionalizar a sustentabilidade em quatro dimensões interligadas: funcionalidade técnica, eficácia pedagógica, adaptabilidade cultural e suporte a políticas. A abordagem foi projetada para oferecer três vantagens práticas em relação aos modelos de pontuação "nítidos": deriva de forma transparente os pesos dos indicadores a partir de julgamentos de especialistas, enquanto acomoda a incerteza linguística; ele converte respostas de questionários em graus de associação que refletem melhor percepções graduadas; e gera um Índice de Sustentabilidade interpretável que apoia a comparação e análise de sensibilidade entre^locais 14,16,17. Ao incorporar transparência interpretativa, adaptabilidade intercultural e confiabilidade de longo prazo no fluxo de trabalho de avaliação, o protocolo vai além das verificações de resultados de curto prazo e oferece uma ferramenta de avaliação transferível para outros contextos de ensino mediados digitalmente e^{interculturais 18}.

Protocolo

Garantiu que o estudo esteja em conformidade com as diretrizes institucionais de ética em pesquisa humana e com as regulamentações aplicáveis de proteção^{de dados 19,20}. O consentimento informado por escrito foi obtido de cada participante antes de qualquer procedimento do estudo. Atribuía a cada participante um código de estudo, anonimizava todos os conjuntos de dados e armazenava a chave de ligação (identificadores <> códigos) em um arquivo separado com acesso restrito. Restrição do acesso a dados brutos apenas a pessoal autorizado e documente o período de retenção e o plano de exclusão no formulário de ética.

1. Preparação do contexto e dos materiais de avaliação

1. Defina o contexto instrucional (ou seja, o ambiente educacional específico, perfil demográfico do aluno e estrutura pedagógica em que ocorre o ensino assistido digitalmente).
   1. Especifique o tipo de curso (literatura chinesa internacional), a população-alvo e o modo de ministração (presencial, misto ou online).
   2. Defina o limite mínimo de proficiência do aprendiz (por exemplo, Teste de Proficiência em Chinês [HSK] nível 5 ou equivalente) e declare os critérios operacionais de elegibilidade (certificado do teste, resultado de colocação ou confirmação do instrutor)^21,22.
   3. Especifique o tempo de duração do período (semanas), horas de contato, restrições de plataforma/ferramentas (sem nomes de marcas) e o único objetivo de avaliação: quantificar a sustentabilidade do ensino usando um fluxo de trabalho^{FAHP–FCE 23,24,25}.
2. Compile a lista de materiais
   1. Registre todos os suprimentos (formulários, instrumentos, scripts, softwares e armazenamento) na Tabela de Materiais, incluindo: (i) o questionário para aprendizes de 19 itens (Arquivo Suplementar S1), (ii) o formulário de comparação par a par por especialistas (Arquivo Suplementar S2), (iii) formulários de consentimento informado, (iv) modelos de captura de dados e (v) scripts de análise e suas versões.
   2. Atribua nomes de arquivos e identificadores de versão para reprodutibilidade (por exemplo, Arquivo Suplementar S1_questionnaire_items.pdf, Arquivo Suplementar S2_expert_form.pdf, fahp_weighting.py, fce_membership.py, si_compute.py e analysis_readme.txt)^26,27.
3. Crie o diagrama do fluxo de trabalho (Figura 1)
   1. Desenhe um fluxograma de uma página resumindo as seções 1 a 10 e rotule as entradas/saídas em cada entrega (julgamentos de especialistas > matrizes > difusas; respostas dos aprendizes > matrizes de membros; síntese > Índice de Sustentabilidade).
   2. Marque PONTOS de PAUSA (Seções 3.2, 4.2, 8.3), que indicam estágios críticos em que o procedimento pode ser interrompido com segurança e onde artefatos específicos de dados devem ser arquivados para garantir a reprodutibilidade, e indicam quais artefatos devem ser salvos em cada ponto.

2. Construir a estrutura de indicadores

1. Construa uma hierarquia de três níveis.
   1. Mapeie o objetivo da avaliação para quatro dimensões (funcionalidade técnica, eficácia pedagógica, adaptabilidade cultural, apoio a políticas).
   2. Defina os 19 indicadores sob as quatro dimensões (Objetivo > Dimensão > Indicador) e garanta que cada indicador seja mensurável por meio de resposta a questionários ou evidências documentadas.
2. Defina indicadores e o formato da resposta.
   1. Escreva uma definição operacional para cada indicador, especifique se ela é positiva (maior é melhor) ou negativa (menor é melhor) e registre o mapeamento indicador–dimensão em um dicionário de dados (Tabela 1).
   2. Especifique a escala de resposta do aprendiz como um formato Likert de 7 pontos com âncoras: 1 = discordar fortemente; 7 = concordo plenamente.
      NOTA: Finalize e congele o conjunto de indicadores para reutilização entre coortes e arquive o dicionário de dados e a versão da Tabela 1 .

3. Reunir o painel de especialistas e coletar decisões por pares (FAHP)

1. Recrute um painel de especialistas.
   1. Recrute um painel de funções diversas (por exemplo, instrutores de literatura, especialistas em tecnologia educacional, pesquisadores de avaliação e administradores).
   2. Defina critérios de elegibilidade (anos de experiência, familiaridade com instrução digital e exposição ao ensino intercultural) e documente a composição do painel para maior transparência.
2. Colete comparações difusas entre pares.
   1. Treine especialistas com um breve briefing sobre as dimensões/indicadores e o significado dos números triangulares difusos (^TFNs)28,29,30.
   2. Forneça âncoras explícitas e exemplos para reduzir a variabilidade (por exemplo, TFN [2, 3, 4] = "importante"; TFN [4, 5, 6] = "muito importante").
   3. Colete julgamentos par a par para (i) as quatro dimensões e (ii) indicadores dentro de cada dimensão e verifique a completude antes de encerrar a sessão.

4. Construir matrizes de julgamento difusas e testar consistência

1. Construa matrizes de julgamento difusas.
   1. Converta as respostas par a par de cada especialista em uma matriz recíproca difusa em cada nível^{hierárquico 25}.
   2. Verifique se há entradas faltantes e aplique regras de reciprocidade antes da agregação.
2. Teste a consistência e reconcilie discordâncias.
   1. Desfuzzar cada matriz especialista em uma matriz nítida usando uma regra pré-especificada, como o centróide de um número difuso triangular (TFN⁾31,32,33. O valor do nítido é calculado usando a seguinte equação:
      
      onde C é o valor nítido defuzzificado, e , , e representam respectivamente o limite inferior, o valor modal (mais provável) e o limite superior da TFN.
   2. Calcule a razão de consistência (CR) na matriz nítida usando o procedimento do Processo de Hierarquia Analítica (AHP^{) 34,35}. Isso envolve calcular o valor próprio principal (λ_max) da matriz, determinar o índice de consistência (, onde n é o tamanho da matriz) e dividi-lo pelo índice aleatório apropriado (RI) para obter o CR (). Defina o limiar de aceitação como CR < 0,10.
   3. Se o CR ≥ 0,10, devolva as comparações inconsistentes ao especialista, reconcilie os desacordos usando discussões facilitadas e lembre apenas as decisões contestadas.
      PONTO DE PAUSA: Arquive cada matriz, relatório CR e log de conciliação como artefatos de replicação.

5. Derivar pesos fuzzy (saída FAHP)

1. Agrega os julgamentos individuais.
   1. Agrega matrizes especialistas em uma matriz fuzzy em nível de grupo usando um operador especificado (por exemplo, média geométrica difusa^)17,36.
   2. Registre o operador de agregação e os parâmetros no Arquivo Suplementar S2.
2. Desfizer e normalizar pesos.
   1. Defuzzar as prioridades fuzzy em nível de grupo para obter pesos nítidos usando a mesma regra de defuzzificação^{pré-especificada 10}.
   2. Normalize os pesos dentro de cada nível (soma de dimensões a 1; indicadores dentro de cada dimensão somam a 1) e saia os vetores de peso de dimensão final e indicadores.
   3. Preencha a Tabela 1 com os pesos finais e trave a versão da tabela usada para a seção FCE subsequente.

6. Elaborar e administrar o questionário para o aprendiz

1. Prepare o instrumento.
   1. Forneça os 19 itens completos literalmente no Arquivo Suplementar S1, cada um mapeado para um indicador na Tabela 1.
   2. Use uma escala de Likert de 7 pontos com texto âncora claro impresso em cada página/tela (1 = discordar fortemente; 7 = concordar fortemente).
   3. Teste-piloto o questionário com um pequeno grupo (por exemplo, 10–15 aprendizes) para confirmar compreensão e tempo de conclusão³⁷.
2. Administre o questionário e imponha uma resposta única por participante.
   1. Convide os alunos elegíveis (HSK 5+ ou equivalente operacional) e estabeleça um protocolo padronizado de coleta de dados. Especifique o período exato de administração (por exemplo, um período definido de duas semanas ao final do semestre) e o modo de conclusão (por exemplo, sessões supervisionadas em sala de aula com duração de 15–20 minutos para garantir participação focada, ou distribuição online controlada por meio de links seguros e cronometrados de pesquisa). Instrutores ou pesquisadores devem fornecer um briefing padronizado antes da distribuição do questionário, explicando claramente o propósito do estudo, garantindo anonimato dos dados e definindo os pontos âncoras da escala de Likert de 7 pontos para todos os respondentes.
   2. Impor uma resposta por participante emitindo um token de acesso de uso único por aprendiz (ou um código equivalente de uso único), desabilitando envios repetidos e verificando duplicatas usando o registro de tokens.
   3. Se for necessário anonimato, armazene os tokens separadamente das respostas e faça o hash de quaisquer identificadores de login antes da análise.
   4. Documente todas as regras de exclusão (por exemplo, respostas incompletas, entradas duplicadas de token) antes da limpeza dos dados para evitar viés post hoc.
3. Registre metadados para análise de subgrupos.
   1. Registre metadados abrangentes e não identificativos para definir claramente o perfil do respondente para análise de subgrupos. Para os alunos, isso deve incluir características demográficas e acadêmicas, como grupo linguístico nativo, idade, gênero, anos de estudo do mandarim, nível atual de proficiência HSK, curso acadêmico, tipo de curso e local de estudo. Para o painel de especialistas, registre explicitamente a demografia profissional, incluindo anos de experiência em ensino, o mais alto grau acadêmico obtido e expertise específica em áreas (por exemplo, ensino de literatura, tecnologia educacional).
      ATENÇÃO: Proteja informações pessoais identificáveis e siga procedimentos aprovados de tratamento de dados.

7. Graus de associação computacional (FCE)

1. Defina notas de avaliação e pontuações numéricas.
   1. Defina um conjunto de cinco avaliações de grau: Excelente, Bom, Moderado, Relativamente Ruim, Ruim.
   2. Atribua pontuações numéricas para conversão de nota para índice (por exemplo, 90, 80, 70, 60, 50) e registre o esquema de pontuação no Arquivo Suplementar S3³⁸.
2. Especifique funções de filiação e construa matrizes de membros.
   1. Especifique funções de pertença para mapear respostas de Likert a pertencimentos de grau (por exemplo, funções trapezoidais^)39,40.
   2. Forneça parâmetros explícitos para cada limite de inclinação no Arquivo Suplementar S3 e declare se os mesmos parâmetros se aplicam a todos os indicadores.
   3. Para cada indicador, converta a resposta de cada aprendiz em um vetor de pertença a 5 elementos e, em seguida, agregue entre os alunos (por exemplo, fazendo a média das membresias) para formar o vetor de associação em nível de indicador.
   4. Empilhe todos os vetores de associação em nível de indicador para construir a matriz de associação indicador por grau.

8. Realizar síntese fuzzy e derivar o índice de sustentabilidade (SI)

1. Aplique um operador fuzzy ponderado.
   1. Combine o vetor de peso do indicador com a matriz de pertença ao indicador usando um operador de síntese difusa ponderada especificado (por exemplo, operador de média ponderada) para obter o vetor de pertença abrangente^41,42.
   2. Informe o nome e a fórmula do operador no Arquivo Suplementar S3 para garantir a reprodutibilidade independente.
2. Defuzzify para calcular SI em escala de 0 a 100.
   1. Converta o vetor abrangente de associação para um único valor SI por meio da média ponderada das notas (conforme definido na seção 8.1.2).
   2. Saia valores SI em nível dimensional repetindo as seções 9.1–9.2 dentro de cada dimensão usando pesos indicadores específicos de cada dimensão.
   3. Classifique os valores SI usando cortes pré-especificados: 85–90 = Excelente; 75–84 = Bom; 65–74 = Moderado; 55–64 = Relativamente Pobres; ≤ 54 = Pobre.
      PONTO DE PAUSA: Armazene vetores intermediários, matrizes e folhas de cálculo (ou saídas de script) com hashes de arquivo em um repositório.

9. Validação qualitativa opcional (métodos mistos)

1. Amostre participantes para entrevistas.
   1. Amostre instrutores e aprendizes usando um esquema intencional alinhado com padrões de SI (por exemplo, alta vs. baixa adaptabilidade cultural) e obtenha consentimento adicional para gravação.
   2. Use um guia de entrevista semiestruturado focado na interpretabilidade das pontuações, fatores percebidos de sustentabilidade e restrições contextuais (Arquivo Suplementar S4)⁴³.
2. Codificar e triangular as descobertas.
   1. Transcreva as gravações literalmente e desidentifique as transcrições antes de codificar.
   2. Transcrições de código usando um esquema de codificação pré-especificado, e o treinamento do codificador, o acordo entre codificadores (se aplicável) e as regras^{de resolução 44,45}.
   3. Triangule temas qualitativos com resultados de SI em nível dimensional para contextualizar pontos fortes e fracos sem sobrepor o procedimento quantitativo.

10. Relatório e arquivo (pacote de reprodutibilidade)

1. Reporte sobre os principais resultados.
   1. Relatório de dimensão e pesos de indicadores, matrizes de membros (ou resumos), valores SI, rótulos de classificação e comparações de subgrupos (por exemplo, locais ou grupos de proficiência).
   2. Indique todas as regras de exclusão e os tamanhos finais das amostras analisadas (garanta consistência com o Resumo/Resultados).
2. Materiais de arquivo e código.
   1. Arquivar conjuntos de dados, scripts e planilhas anonimizados usados para ponderação FAHP, computação de membros, síntese e defuzzificação.
   2. Forneça versões de software/runtime (por exemplo, versão da linguagem de programação; versões de pacotes) e sementes aleatórias fixas (se usadas^)46,47.
3. Faça uma análise de sensibilidade (recomendada).
   1. Perturbe os pesos do indicador em ±10% (um de cada vez ou dentro da dimensão) ao renormalizar, recalcule o SI e resuma as flutuações do SI para identificar pontos de alavancagem (Tabela 2).
   2. Interprete indicadores com baixo peso, mas alta sensibilidade, como potenciais "riscos limiar" e relate esses explicitamente.

Resultados

Pesos dimensionais e indicadores-chave
Usando o processo de hierarquia analítica difusa (FAHP), os pesos dimensionais indicaram que a dimensão técnica (T) contribuiu com a maior parcela para a sustentabilidade (0,32), seguida pela dimensão cultural (C, 0,26) e pela dimensão pedagógica (P, 0,23), enquanto a dimensão política (G) recebeu o menor peso (0,19)¹⁷. No nível do indicador, a dimensão técnica priorizou a eficiência de iteração funcional ...

Discussão

Esse protocolo demonstra que um fluxo de trabalho híbrido FAHP–FCE pode operacionalizar a "sustentabilidade do ensino" em cursos internacionais de literatura chinesa assistidos digitalmente como um índice transparente e reproduzível, em vez de um resultado vagamente definido. Os resultados indicam que a funcionalidade técnica funciona como uma camada pré-requisito para a sustentabilidade, com a interpretabilidade algorítmica mostrando a maior sensibilidade às flutuações do índice de sust...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Questionário para Alunos (19 itens)	Projetado por ele mesmo	N/A	Usado para coletar alunos avaliações de tecnologia, pedagogia, cultura e dimensões políticas; Escala de Likert de 7 pontos
Formulário de Comparação Expert por Pares	Projetado por ele mesmo	N/A	Usado para coletar especialistas' Comparações par a par difusas para cálculo de peso FAHP
Modelo de Captura de Dados & Roteiros	Excel / Python	N/A	Usado para armazenamento de dados, cálculo de matrizes de membros e geração de Índice de Sustentabilidade (SI)