Устойчивость цифрового международного преподавания китайской литературы через процесс нечеткой аналитической иерархии и комплексную оценку нечеткой

Краткое содержание

Этот протокол подробно описывает воспроизводимый процесс нечеткой аналитической иерархии и рабочий процесс комплексной оценки (FAHP-FCE) для количественной оценки устойчивости цифрового обучения международной китайской литературе с цифровой поддержкой. Она реализует устойчивое развитие в технических, педагогических, культурных и политических измерениях, а также включает веса показателей, показатели измерений и интерпретируемый индекс устойчивости для сравнения между контекстами.

Аннотация

Этот протокол описывает воспроизводимый метод оценки устойчивости цифрового обучения международной китайской литературе с использованием гибридной модели FAHP–FCE. Общая цель — преобразовать многомерные оценки устойчивого развития в прозрачный, количественный индекс устойчивости (SI). Рабочий процесс строит четырёхмерную систему индикаторов, состоящую из 19 индикаторов. Экспертные оценки определяют веса индикаторов с помощью FAHP, а ответы на анкеты учащихся и учителей сопоставляются с уровнем членства с использованием процедуры FCE. Взвешенный нечеткий синтез и дефаззификация дают СИ. Репрезентативное внедрение в трёх университетах Китая (237 учащихся и 9 преподавателей) дало общий SI 78,2 («Хорошо»), с существенными региональными различиями, соответствующими различиям в культурной адаптации и институциональных ресурсах. Протокол сильно зависит от сбора надёжной экспертной комиссии. Кроме того, индикаторы должны быть последовательно внедрены, поскольку различия в определениях местных политик или учебных целях могут усложнять прямые сравнения между площадками. Будущие приложения должны включать продольную реализацию в течение нескольких семестров для проверки стабильности весов и распределения членства, а также сравнительные исследования, сравнивающие этот неясный подход с альтернативными многокритериевыми моделями.

Введение

В последние годы ускоряющееся слияние глобализации и цифровизации изменило международное китайское образование, сместившись от классов с технологической поддержкой к цифровым ориентированным образовательным^{экосистемам 1,2}. В рамках этого сдвига курсы китайской литературы занимают особое место, поскольку они делают не только развитие языка; Они также развивают культурную идентичность, эстетическую чувствительность и интерпретативную^{компетентность 3,4}. Эти результаты особенно хрупки в цифровой среде, где преобладающие подходы к оценке часто отдают приоритет немедленным, легко измеримым когнитивным достижениям, при этом недооценивая долгосрочные цели, такие как эмоциональный резонанс, устойчивое культурное вовлечение и глубина^{интерпретации 5,6}. Ключевым является то, что этот протокол оценивает образовательную устойчивость через призму человеческого поведения. Количественно оценивая когнитивные реакции, эмоциональную вовлечённость и обучающее поведение учащихся и учителей, взаимодействующих с цифровыми литературными платформами, структура преобразует субъективный человеческий опыт в измеримые поведенческие показатели.

Существующие оценки остаются ограниченными как по объему, так и по продолжительности. Многие исследования по-прежнему опираются на упрощённые показатели владения^{знаниями 7}, оставляя сложные опыты учащихся, такие как эстетическое удовольствие, культурная эмпатия и диалогическая интерпретация, недооценёнными или рассматриваемыми как периферийные результаты ^8,9. Кроме того, короткие окна наблюдения — часто короче одного семестра — могут упустить накопленные эффекты, включая то, как цифровые инструменты постепенно формируют интерпретативные рутины учащихся и как развивается цифрово-педагогическая экспертиза учителей через итеративную^{практику 10,11}. Рамки оценки также часто фрагментированы: технические или педагогические индикаторы приводятся в изоляцию, в то время как культурные и политические условия, способные ограничивать или обеспечивать устойчивое внедрение, редко интегрируются в одну целостную^{модель 12}. Эта фрагментация снижает переносимость между сайтами, особенно в классах межкультурной литературы, где создание смысла по своей сути открыто и зависит от^{контекста 13,14}.

Хотя предыдущие исследования широко изучали внедрение цифровых инструментов и краткосрочные когнитивные достижения в усвоении языка, рамки оценки часто остаются фрагментированными. Существующая литература не содержит комплексных моделей, объединяющих технические, педагогические, культурные и политические измерения в единый измеримый стандарт. Это исследование необходимо провести для устранения этого критического пробела путём внедрения стандартизированной системы FAHP-FCE, переходя от субъективных, краткосрочных оценок к прозрачному, воспроизводимому индексу устойчивости, поддерживающему сравнение между площадками.

Для устранения этих ограничений этот протокол вводит воспроизводимую структуру для оценки устойчивости цифрово поддерживаемого международного преподавания китайской литературы. Опираясь на неясную многокритериевую логику принятия решений, метод интегрирует процесс нечеткой аналитической иерархии (FAHP) с нечеткой комплексной оценкой (FCE)¹⁵ для реализации устойчивого развития по четырём взаимосвязанным измерениям: технической функциональности, педагогической эффективности, культурной адаптивности и поддержке политики. Подход разработан так, чтобы предложить три практических преимущества по сравнению с «чёткими» моделями оценки: он прозрачно выводит веса индикаторов на основе экспертных суждений при учте лингвистической неопределённости; он преобразует ответы на анкеты в степени членства, которые лучше отражают градуированные восприятия; а также даёт интерпретируемый Индекс устойчивого развития, поддерживающий сравнение между площадками и анализ чувствительности 14,16,17. Внедряя интерпретативную прозрачность, межкультурную адаптивность и долгосрочную надёжность в рабочий процесс оценки, протокол выходит за рамки краткосрочных проверок результатов и предоставляет переносимый инструмент оценки для других цифрово опосредованных и межкультурных учебных^{контекстов 18}.

Протокол

Обеспечило соответствие исследования институциональным руководящим принципам по этике человеческих исследований и применимым нормативам по защите данных^19,20. Письменное информированное согласие получалось от каждого участника перед любой процедурой исследования. Каждому участнику присваивался код исследования, анонимизировал все наборы данных и сохранял ключ связи (идентификаторы <> коды) в отдельном файле с ограничением доступа. Ограничен доступ к исходным данным только для уполномоченного персонала и документирует период хранения и план удаления в этическом приложении.

1. Подготовка контекста оценки и материалов

1. Определите учебный контекст (то есть конкретную образовательную среду, демографический профиль учащихся и педагогическую структуру, в которой происходит цифровое обучение).
   1. Укажите тип курса (международная китайская литература), целевую аудиторию и способ проведения (очно, смешанное или онлайн).
   2. Определите минимальный порог владения знанием обучающихся (например, тест на владение китайским языком [HSK] уровня 5 или эквивалент) и укажите операционные критерии соответствия (сертификат теста, результат трудоустройства или подтверждение преподавателем)^21,22.
   3. Укажите продолжительность срока (недели), часы контакта, ограничения по платформе/инструментам (без названий брендов) и единую цель оценки: количественно оценить устойчивость обучения с помощью рабочего процесса FAHP–^FCE 23,24,25.
2. Составить список материалов
   1. Записывать все материалы (формы, инструменты, скрипты, программное обеспечение и хранилище) в Таблице материалов, включая: (i) 19-пунктную анкету для учащихся (Дополнительный файл S1), (ii) форму для экспертного сравнения пар (дополнительный файл S2), (iii) формы информированного согласия, (iv) шаблоны для сбора данных и (v) аналитические скрипты и их версии.
   2. Присваивать имена файлов и идентификаторы версий для воспроизводимости (например, Дополнительный файл S1_questionnaire_items.pdf, Дополнительный файл S2_expert_form.pdf, fahp_weighting.py, fce_membership.py, si_compute.py и analysis_readme.txt)^26,27.
3. Создайте диаграмму рабочего процесса (рисунок 1)
   1. Составьте одностраничную блок-схему, суммирующую разделы 1–10, и помечайте входы/выходы при каждой передаче (экспертные оценки > нечеткие матрицы > веса; ответы учащихся > матриц членства; синтез > Индекс устойчивого развития).
   2. Отметьте ПУНКТЫ ПАУЗЫ (разделы 3.2, 4.2, 8.3), которые указывают критические этапы, на которых процедуру можно безопасно остановить, и где необходимо архивировать конкретные артефакты данных для обеспечения воспроизводимости, а также укажите, какие артефакты необходимо сохранить в каждой точке.

2. Построить индикаторную структуру

1. Постройте трёхуровневую иерархию.
   1. Сопоставьте цель оценки по четырём измерениям (техническая функциональность, педагогическая эффективность, культурная адаптивность, поддержка политики).
   2. Определите 19 индикаторов по четырём измерениям (Цель > измерение > Индикатор) и убедитесь, что каждый показатель измерим с помощью ответов на анкету или задокументированных доказательств.
2. Определите индикаторы и формат ответа.
   1. Напишите операционное определение для каждого индикатора, укажите, является ли оно положительным (выше — лучше) или отрицательным (ниже — лучше), и зафиксируйте отображение индикатор–размерность в словарь данных (Таблица 1).
   2. Определите шкалу ответов учащегося в формате 7-балльного формата Ликерта с якорями: 1 = сильно не согласен; 7 = полностью согласен.
      ПРИМЕЧАНИЕ: Завершите и заморозьте набор индикаторов для повторного использования между когортами и архивируйте словарь данных и версию Таблицы 1 .

3. Сформировать экспертную комиссию и вынести парные решения (FAHP)

1. Соберите экспертную комиссию.
   1. Набирайте разноролевую комиссию (например, преподавателей литературы, специалистов по образовательным технологиям, исследователей оценки и администраторов).
   2. Определите критерии допуска (годы опыта, знакомство с цифровым обучением и межкультурное преподавание) и задокументируйте состав панели для прозрачности.
2. Собирайте размытые парные сравнения.
   1. Обучайте экспертов кратким брифингом о размерах/индикаторах и значении треугольных нечетких чисел (TFN)^{28, 29, 30}.
   2. Приведите явные якоря и примеры для снижения вариабельности (например, TFN [2, 3, 4] = «важно»; TFN [4, 5, 6] = «очень важно»).
   3. Соберите парные оценки по (i) четырём измерениям и (ii) индикаторам в каждом измерении и проверьте полноту перед закрытием сессии.

4. Создайте нечеткие матрицы суждения и проверяйте согласованность

1. Постройте нечеткие матрицы суждений.
   1. Преобразуйте парные ответы каждого эксперта в нечеткую взаимную матрицу на уровне²⁵ иерархии.
   2. Проверьте отсутствие записей и соблюдайте правила взаимности перед агрегированием.
2. Проверяйте последовательность и примиряйте разногласия.
   1. Дефазизировать каждую экспертную матрицу в чёткую матрицу с помощью заранее заданного правила, например, центроида треугольного нечеткого числа (TFN⁾31,32,33. Чёткое значение вычисляется с помощью следующего уравнения:
      
      где C — дефуззифицированное чёткое значение, а , , и представляют нижнюю границу, модальное (наиболее вероятное) значение и верхнюю границу TFN соответственно.
   2. Вычислите коэффициент согласованности (CR) на чёткой матрице с помощью процедуры Analytic Hierarchy Process (AHP^{) 34,35}. Это включает вычисление главного собственного значения (λ_max) матрицы, определение индекса согласованности (, где n — размер матрицы) и деление его на соответствующий случайный индекс (RI) для получения CR (). Установите порог принятия как CR < 0.10.
   3. Если CR ≥ 0.10, верните противоречивые сравнения эксперту, согласуйте разногласия с помощью фасилитированного обсуждения и вспомните только спорные решения.
      ТОЧКА ПАУЗЫ: Архивируйте каждую матрицу, отчёт по CR и журнал сверки как артефакты репликации.

5. Вывод нечетких весов (выход FAHP)

1. Агрегировать индивидуальные суждения.
   1. Агрегировать экспертные матрицы в групповую нечеткую матрицу с использованием заданного оператора (например, нечеткое геометрическое среднее)^17,36.
   2. Запишите оператор агрегации и параметры в дополнительный файл S2.
2. Дефазизировать и нормализовать вес.
   1. Дефазизировать групповые нечеткие приоритеты для получения чётких весов, используя то же заранее заданное правило^{дефаззификации 10}.
   2. Нормализуйте веса внутри каждого уровня (сумма размеров равна 1; индикаторы в каждой размерности суммы равны 1) и выводите итоговые векторы измерений и веса индикатора.
   3. Заполните таблицу 1 окончательными весами и заблокируйте версию таблицы, использованную для следующего раздела FCE.

6. Разработать и администрировать анкету для учащихся

1. Приготовьте инструмент.
   1. Предоставьте полные 19 пунктов дословно в дополнительном файле S1, каждый из которых сопоставлен с одним индикатором в Таблице 1.
   2. Используйте 7-балльную шкалу Лайкерта с чётким якорным текстом, напечатанным на каждой странице/экране (1 = категорически не согласен; 7 = полностью согласен).
   3. Проведите пилотное тестирование анкеты с небольшой группой (например, 10–15 учащихся) для подтверждения понимания и времени завершения³⁷.
2. Проведите анкету и обеспечьте один уникальный ответ для каждого участника.
   1. Пригласить подходящих учащихся (HSK 5+ или операционный аналог) и создать стандартизированный протокол сбора данных. Укажите точный административный период (например, определённый двухнедельный период в конце семестра) и режим завершения (например, сессии под наблюдением в классе продолжительностью 15–20 минут для обеспечения целенаправленного участия или контролируемое онлайн-распространение через безопасные, ограниченные по времени ссылки на опрос). Преподаватели или исследователи должны предоставить стандартизированный брифинг перед распространением анкеты, четко объяснив цель исследования, обеспечивая анонимность данных и определяя 7-балльные якоря шкалы Ликерта для всех респондентов.
   2. Обеспечить один ответ на участника, выдавая одноразовый токен доступа для каждого учащегося (или эквивалентный одноразовый код), отключая повторные отправки и проверяя дубликаты с помощью журнала токенов.
   3. Если требуется анонимность, храните токены отдельно от ответов и хешуйте любые идентификаторы входа перед анализом.
   4. Документируйте все правила исключения (например, неполные ответы, дублирующиеся записи токенов) до очистки данных, чтобы избежать постфактической предвзятости.
3. Записывайте метаданные для анализа подгрупп.
   1. Записывайте комплексные неидентифицирующие метаданные для чёткого определения профиля респондента для анализа подгруппы. Для учащихся это должно включать демографические и академические характеристики, такие как группа родного языка, возраст, пол, годы изучения мандаринского, текущий уровень владения HSK, академическая специальность, тип курса и место обучения. Для экспертной панели чётко фиксируйте профессиональные демографические характеристики, включая годы преподавательского опыта, высшую академическую степень и конкретную область экспертизы (например, преподавание литературы, образовательные технологии).
      ВНИМАНИЕ: Защищайте персональную информацию и соблюдайте утверждённые процедуры обработки данных.

7. Вычисление степеней членства (FCE)

1. Определите оценочные оценки и числовые баллы.
   1. Определите пятиклассный набор оценок: Отлично, Хорошо, Средне, Относительно плохо, Плохо.
   2. Присваивать числовые баллы для преобразования по оценкам в индекс (например, 90, 80, 70, 60, 50) и записывать схему оценки в дополнительном файле S3³⁸.
2. Задайте функции членства и создайте матрицы членства.
   1. Задайте функции принадлежности для отображения ответов Лайкерта с степенями принадлежности (например, трапециевидные функции)^39,40.
   2. Укажите явные параметры для каждой границы оценки в дополнительном файле S3 и укажите, применимы ли одни и те же параметры ко всем индикаторам.
   3. Для каждого индикатора преобразите каждую реакцию учащегося в 5-элементный вектор членства, затем агрегируйте по обучающимся (например, усредняя членства), чтобы сформировать вектор принадлежности на уровне индикатора.
   4. Сложить все векторы принадлежности на уровне индикаторов для построения матрицы принадлежности по классам.

8. Выполните нечеткий синтез и получите индекс устойчивости (SI)

1. Примените взвешенный нечеткий оператор.
   1. Объедините вектор веса индикатора с матрицей принадлежности индикатора с помощью заданного взвешенного оператора нечеткого синтеза (например, оператора взвешенного среднего) для получения комплексного вектора^{принадлежности 41,42}.
   2. Сообщите имя и формулу оператора в дополнительном файле S3 , чтобы обеспечить автономную воспроизводимость.
2. Defuzzify для вычисления SI на шкале 0–100.
   1. Преобразовать вектор комплексного членства в одно значение SI с помощью взвешенного усреднения оценок (как определено в разделе 8.1.2).
   2. Выводите значения SI на уровне измерений, повторяя разделы 9.1–9.2 внутри каждого измерения с использованием весов индикаторов, специфичных для измерений.
   3. Классифицировать значения СИ с использованием заранее заданных порогов: 85–90 = Отлично; 75–84 = Хорошо; 65–74 = Умеренный; 55–64 = относительно бедные; ≤ 54 = Плохо.
      ТОЧКА ПАУЗЫ: Храните промежуточные векторы, матрицы и вычислительные листы (или выходы скриптов) с хэшами файлов в репозитории.

9. Необязательная качественная валидация (смешанные методы)

1. Выбирайте участников для собеседования.
   1. Выбирайте преподавателей и учащихся с целенаправленной схемой, соответствующей паттернам СИ (например, высокая или низкая культурная адаптивность), и получайте дополнительное согласие на запись.
   2. Используйте полуструктурированное руководство для интервью, сосредоточенное на интерпретируемости оценок, предполагаемых факторах устойчивости и контекстуальных ограничениях (Дополнительный файл S4)⁴³.
2. Кодировать и триангуляровать результаты.
   1. Переписывайте записи дословно и удаляйте идентификацию стенограмм перед кодированием.
   2. Транскрипты кода с использованием заранее заданной схемы кодирования, обучение кодеров документов, соглашение между кодерами (если применимо) и правила разрешения^44,45.
   3. Определите качественные темы с помощью результатов СИ на уровне размерности, чтобы контекстуализировать сильные и слабые стороны, не отменяя количественную процедуру.

10. Отчет и архив (пакет воспроизводимости)

1. Отчёт о выходах ядра.
   1. Отчёт о размерах и весах индикаторов, матрицах членства (или резюме), значениях SI, метках оценок и сравнении подгрупп (например, сайты или группы квалификации).
   2. Указывайте все правила исключения и итоговые проанализированные размеры выборки (обеспечьте согласованность с аннотацией/результатами).
2. Архивные материалы и код.
   1. Архивировали анонимизированные наборы данных, скрипты и таблицы, используемые для взвешивания FAHP, вычисления членства, синтеза и дефазизации.
   2. Предоставить версии программного обеспечения/выполнения (например, версии языка программирования; версии пакетов) и исправленные случайные сида (если использовались)^46,47.
3. Рекомендуется провести анализ чувствительности.
   1. Изменять веса индикаторов на ±10% (по одному или в пределах размерности) при перенормировке, пересчитывать СИ и суммировать флуктуации СИ для выявления точек рычага (Таблица 2).
   2. Интерпретируйте индикаторы с малым весом, но высокой чувствительностью как потенциальные «пороговые риски» и указывайте их явно.

Результаты

Размерные веса и ключевые индикаторы
Используя процесс нечеткой аналитической иерархии (FAHP), размерные веса показали, что техническое измерение (T) внесло наибольший вклад в устойчивость (0,32), за ним следуют культурное измерение (C, 0,26) и педагогическое измерение (P, 0,23), тогда как политическое измерение (G) получило наименьший вес (0,19)¹⁷. На уровне индикатора техническое измерение отдавало приоритет функциональной эффективности итера...

Обсуждение

Этот протокол демонстрирует, что гибридный рабочий процесс FAHP–FCE может реализовать «устойчивое развитие преподавания» на курсах по китайской литературе с цифровой поддержкой как прозрачный, воспроизводимый индекс, а не в условно определённом результате. Результаты показывают, что техническая функциональность является обязательным слоем для устойчивого развития, при этом алгоритмическая интерпретация демонстрирует наивысшую чувствительность к колебаниям индекса устойчивости (

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Анкета для учащихся (19 пунктов)	Самостоятельно разработанные	Н/Д	Используется для сбора учащихся' оценки технологий, педагогики, культуры и политики; 7-балльная шкала Ликерта
Экспертная форма парного сравнения	Самостоятельно разработанные	Н/Д	Использовался для сбора экспертов Нечеткие парные сравнения для расчёта веса FAHP
Шаблон и сбор данных Сценарии	Excel / Python	Н/Д	Используется для хранения данных, вычисления матриц членства и генерации индекса устойчивого развития (SI)