Dijital Uluslararası Çin Edebiyatı Öğretiminin Sürdürülebilirliği Bulanık Analitik Hiyerarşi Süreci ve Bulanık Kapsamlı Değerlendirme Yoluyla

Özet

Bu protokol, dijital destekli uluslararası Çin edebiyatı öğretiminin sürdürülebilirliğini nicelendirmek için tekrarlanabilir bulanık analitik hiyerarşi süreci ve bulanık kapsamlı değerlendirme (FAHP-FCE) iş akışını detaylandırır. Teknik, pedagojik, kültürel ve politika boyutlarında sürdürülebilirliği operasyonel hale getirir ve gösterge ağırlıkları, boyut puanları ve bağlamlar arası karşılaştırma için yorumlanabilir bir sürdürülebilirlik endeksi üretir.

Özet

Bu protokol, hibrit FAHP–FCE modeli kullanılarak dijital destekli uluslararası Çin edebiyatı öğretiminin sürdürülebilirliğini değerlendirmek için tekrarlanabilir bir yöntemi tanımlar. Genel amaç, çok boyutlu sürdürülebilirlik değerlendirmelerini şeffaf, nicel sürdürülebilirlik endeksi (SI) haline getirmektir. İş akışı, 19 göstergeden oluşan dört boyutlu bir gösterge sistemi oluşturur. Uzman kararları FAHP üzerinden gösterge ağırlıkları türetirken, öğrenci ve öğretmen anket yanıtları FCE prosedürü kullanılarak üyelik derecelerine eşlenir. Ağırlıklı bulanık sentez ve defuzzifikasyon işlemi SI verir. Çin'deki üç üniversitede (237 öğrenci ve 9 öğretmen) temsili uygulama, kültürel uyum ve kurumsal kaynaklardaki farklılıklarla uyumlu anlamlı bölgesel farklılıklarla uyumlu olarak 78.2 ("İyi") toplam SI sağladı. Protokol, güvenilir bir uzman panelinin toplanmasına büyük ölçüde bağlıdır. Ayrıca, göstergeler tutarlı şekilde uygulanmalıdır; çünkü farklı yerel politika tanımları veya müfredat hedefleri doğrudan sahalar arası karşılaştırmaları zorlaştırabilir. Gelecekteki uygulamalar, ağırlıkların ve üyelik dağılımlarının istikrarını test etmek için birden fazla dönem boyunca uzunlamasına uygulamayı ve bu belirsiz yaklaşımı alternatif çok kriterli modellerle karşılaştıran karşılaştırmalı çalışmaları içermelidir.

Giriş

Son yıllarda, küreselleşme ve dijitalleşmenin hızla yakınlaşması, uluslararası Çin eğitimini yeniden şekillendirdi; teknoloji destekli sınıflardan dijital ana dil öğrenme^{ekosistemlerine doğru kaydı 1,2}. Bu değişim içinde, Çin edebiyatı dersleri ayırt edici bir konuma sahiptir çünkü dil edinimini desteklemekten fazlasını sağlar; Ayrıca kültürel kimliği, estetik duyarlılığı ve yorumlama yetkinliğini^{geliştirirler 3,4}. Bu sonuçlar, yaygın değerlendirme yaklaşımlarının genellikle anlık ve kolayca ölçülebilir bilişsel kazanımları önceliklendirdiği, duygusal rezonans, sürdürülebilir kültürel katılım ve yorumlayıcı derinlik gibi uzun ufuk hedeflerini yeterince temsil etmediği dijital ortamlarda özellikle kırılgan^{olabilir 5,6}. En önemlisi, bu protokol eğitim sürdürülebilirliğini insan davranışı merceğinden değerlendirir. Dijital literatür platformlarıyla etkileşimde bulunan öğrenen ve öğretmenlerin bilişsel tepkilerini, duygusal etkileşimini ve öğretim davranışlarını nicelikle ölçerek, bu çerçeve, öznel insan deneyimlerini ölçülebilir davranış göstergelerine dönüştürür.

Mevcut değerlendirmeler hem kapsam hem de süre açısından sınırlıdır. Birçok çalışma hâlâ bilgi ustalığının basitleştirilmiş^{ölçümlerine dayanır ve} estetik zevk, kültürel empati ve diyalokal yorumlama gibi karmaşık öğrenici deneyimlerini eksik veya çevresel sonuçlar olarak ele^{alınmış bırakır 8,9}. Ayrıca, kısa gözlem aralıkları - genellikle bir dönemden kısa - kümülatif etkileri kaçırabilir; dijital araçların öğrencilerin yorumlama rutinlerini kademeli olarak nasıl şekillendirdiği ve öğretmenlerin dijital-pedagojik uzmanlığının yineleme pratiği yoluyla nasıl geliştiği^{gibi 10,11}. Değerlendirme çerçeveleri de sıklıkla parçalıdır: teknik veya pedagojik göstergeler izole olarak raporlanırken, sürdürülebilir uygulamayı kısıtlayabilecek veya mümkün kılabilecek kültürel ve politika koşulları nadiren tek bir tutarlı model^12'ye entegre edilir. Bu parçalanma, özellikle anlam yaratmanın doğası gereği açık uçlu ve bağlama duyarlı olduğu kültürlerarası edebiyat sınıflarında aktarılabilirliği^{azaltıyor 13,14}.

Önceki araştırmalar dijital araç benimsenmesini ve dil edinimindeki kısa vadeli bilişsel kazanımları kapsamlı şekilde incelemiş olsa da, değerlendirme çerçeveleri sıkça parçalı kalır. Mevcut literatür, teknik, pedagojik, kültürel ve politika boyutlarını tek ölçülebilir bir standartta entegre eden kapsamlı modellerden yoksundur. Bu çalışma, öznel, kısa vadeli değerlendirmelerden sahalar arası karşılaştırmayı destekleyen şeffaf, tekrarlanabilir sürdürülebilirlik endeksine geçiş yaparak bu kritik açığı gidermek için standartlaştırılmış bir FAHP-FCE çerçevesi getirerek yapılmalıdır.

Bu sınırlamaları gidermek için, bu protokol dijital destekli uluslararası Çin edebiyatı öğretiminin sürdürülebilirliğini değerlendirmek için tekrarlanabilir bir çerçeve sunar. Bulanık çok kriterli karar alma mantığı üzerine inşa edilen yöntem, bulanık analitik hiyerarşi sürecini (FAHP) bulanık kapsamlı değerlendirme (FCE⁾¹⁵ ile birleştirerek sürdürülebilirliği dört bağlantılı boyutta operasyonelleştirir: teknik işlevsellik, pedagojik etkililik, kültürel uyum sağlama ve politika desteği. Yaklaşım, "net" puanlama modellerine karşı üç pratik avantaj sunmak üzere tasarlanmıştır: uzman yargılarından şeffaf bir şekilde gösterge ağırlıkları türetirken dilsel belirsizliği göz önünde bulundurur; Anket yanıtlarını, kademeli algıları daha iyi yansıtan üyelik derecelerine dönüştürür; ve bu durum, çapraz saha karşılaştırma ve hassasiyet analizini destekleyen yorumlanabilir bir Sürdürülebilirlik Endeksi^(14,16,17) sunar. Yorumlayıcı şeffaflık, kültürlerarası uyum sağlama ve uzun vadeli güvenilirliği değerlendirme iş akışına entegre ederek, protokol kısa vadeli sonuç kontrollerinin ötesine geçer ve diğer dijital aracılı ve kültürlerarası öğretim bağlamları için aktarılabilir bir değerlendirme aracı sağlar¹⁸.

Protokol

Çalışmanın kurumsal insan araştırması etik kurallarına ve geçerli veri koruma^{düzenlemelerine uyduğundan emin oldu 19,20}. Her katılımcıdan herhangi bir çalışma prosedüründen önce yazılı bilgilendirilmiş onay alındı. Her katılımcıya bir çalışma kodu atandı, tüm veri setleri anonimleştirildi ve bağlantı anahtarı (tanımlayıcılar <> kodlar) ayrı, erişim kısıtlı bir dosyada saklandı. Ham verilere erişimin yalnızca yetkili personelle sınırlı olması ve saklama süresi ile silme planının etik başvuruda belgelenmesi.

1. Değerlendirme bağlamı ve materyallerinin hazırlanması

1. Öğretim bağlamını (yani dijital destekli öğretimin gerçekleştiği özel eğitim ortamı, öğrenci demografik profili ve pedagojik çerçeve) tanımlayın.
   1. Ders türü (uluslararası Çin edebiyatı), hedef nüfus ve sunum şeklini (yüz yüze, karma veya çevrimiçi) belirtin.
   2. Minimum öğrenici yeterlilik eşiğini (örneğin, Çin Yeterlilik Testi [HSK] seviye 5 veya eşdeğeri) tanımlayın ve operasyonel uygunluk kriterlerini (test sertifikası, yerleştirme sonucu veya eğitmen onaylanması)^21,22.
   3. Dönem uzunluğunu (haftalar), iletişim saatlerini, platform/araç kısıtlamalarını (marka isimleri olmadan) ve tek değerlendirme hedefini belirtin: FAHP–FCE iş^akışı 23,24,25 kullanarak öğretim sürdürülebilirliğini nicelikle ölçemek.
2. Materyal listesini derleyin
   1. Tüm malzemeleri (formlar, araçlar, betikler, yazılım ve depolama) Materyaller Tablosu'na kaydedin; bunlar arasında: (i) 19 maddelik öğrenici anketi (Ek Dosya S1), (ii) uzman çiftli karşılaştırma formu (Ek Dosya S2), (iii) bilgilendirilmiş onay formları, (iv) veri yakalama şablonları ve (v) analiz betikleri ve bunların sürümleri.
   2. Tekrarlanabilirlik için dosya adları ve sürüm tanımlayıcıları atanır (örneğin, Ek Dosya S1_questionnaire_items.pdf, Ek Dosya S2_expert_form.pdf, fahp_weighting.py, fce_membership.py, si_compute.py ve analysis_readme.txt)^26,27.
3. İş akışı diyagramını oluşturun (Şekil 1)
   1. 1–10. bölümleri özetleyen tek sayfalık bir akış şeması çizin ve her teslimatta giriş/çıktıları etiketleyin (uzman kararları > bulanık matrisler > ağırlıklar; öğrenen yanıtları > üyelik matrisleri; sentez> Sürdürülebilirlik Endeksi).
   2. DURAKLATMA NOKTALARını işaretle (Bölüm 3.2, 4.2, 8.3), bu noktalar, prosedürün güvenli şekilde durdurulabileceği kritik aşamaları ve tekrarlanabilirliği sağlamak için belirli veri eserlerinin arşivlenmesi gerektiğini belirtir; ayrıca her noktada hangi eserlerin kaydedilmesi gerektiğini belirtir.

2. Gösterge çerçevesini oluşturun

1. Üç seviyeli bir hiyerarşi oluşturun.
   1. Değerlendirme hedefini dört boyuta (teknik işlevsellik, pedagojik etkililik, kültürel uyum sağlama, politika desteği) haritalandırın.
   2. Dört boyut altında 19 göstergeyi (Hedef > Boyut > Gösterge) tanımlayın ve her göstergenin anket yanıtları veya belgelenmiş kanıtlarla ölçülebilir olduğundan emin olun.
2. Göstergeleri ve yanıt formatını tanımlayın.
   1. Her gösterge için bir operasyonel tanım yazın, pozitif (yüksek daha iyi) mi yoksa negatif (düşük daha iyidir) mi olduğunu belirtin ve gösterge–boyut eşlemesini bir veri sözlüğüne kaydedin (Tablo 1).
   2. Öğrenici yanıt ölçeğini, 7 puanlık bir Likert formatı olarak belirtin ve çapa: 1 = kesinlikle katılmıyor; 7 = kesinlikle katılıyorum.
      NOT: Gösterge setini kohortlar arasında yeniden kullanmak üzere kesinleştirin ve dondurun, veri sözlüğü ve Tablo 1 versiyonunu arşivleyin.

3. Uzman panelini bir araya getirin ve çift görüşlü kararlar (FAHP) toplayın

1. Bir uzman paneli topla.
   1. Çapraz rol paneli (örneğin, edebiyat eğitmenleri, eğitim-teknoloji uzmanları, değerlendirme araştırmacıları ve yöneticiler) işe alın.
   2. Uygunluk kriterlerini (yıllık deneyim, dijital eğitime aşinalık ve kültürlerarası öğretim deneyimi) tanımlayın ve panel bileşimini şeffaflık için belgeleyin.
2. Belirsiz çift karşılaştırmaları toplayın.
   1. Uzmanları boyutlar/göstergeler ve üçgen bulanık sayıların (TFN) anlamı hakkında kısa bir bilgilendirme ile ^{eğitin28,29,30}.
   2. Değişkenliği azaltmak için açık çapalar ve örnekler sunun (örneğin, TFN [2, 3, 4] = "önemli"; TFN [4, 5, 6] = "çok önemli").
   3. Her boyuttaki (i) dört boyut ve (ii) gösterge için çift olarak kararlar toplayın ve oturumu kapatmadan önce tamlığı doğrulayın.

4. Belirsiz yargı matrisleri oluşturun ve tutarlılığı test edin

1. Bulanık yargı matrisleri oluşturun.
   1. Her uzmanın çift olarak yanıtlarını, her hiyerarşi^{seviyesi 25'te} bulanık karşılıklı bir matrise dönüştürün.
   2. Eksik kayıtları kontrol edin ve toplamadan önce karşılıklılık kurallarını uygulayın.
2. Tutarlılığı test et ve anlaşmazlıkları uzlaştır.
   1. Her uzman matrisini, örneğin üçgen bulanık bir sayının (TFN) merkez noktası gibi önceden belirlenmiş bir kural kullanarak net bir matrise defuzzify ^edin. Kesin değer aşağıdaki denklem kullanılarak hesaplanır:
      
      burada C , defuzzified crisp değeridir ve , , ve TFN'nin alt sınırını, modal (en muhtemel) değerini ve üst sınırını temsil eder.
   2. Analitik Hiyerarşi Süreci (AHP)^{prosedürü 34,35} kullanılarak net matriksteki tutarlılık oranını (CR) hesaplayın. Bu, matrisin ana özdeğerinin (λ_max) hesaplanması, tutarlılık indeksinin (, burada n matris boyutu) belirlenmesini ve uygun rastgele indeksle (RI) bölünerek CR () elde edilmesini içerir. Kabul eşiğini CR < 0.10 olarak ayarlayın.
   3. Eğer CR 0.10 ≥ varsa, tutarsız karşılaştırmaları uzmana geri gönderin, anlaşmazlıkları kolaylaştırılmış tartışmalarla uzlaştırın ve yalnızca itiraz edilen kararları hatırlayın.
      DURAKLAMA NOKTASI: Her matris, CR raporu ve uzlaştırma günlüğünü çoğaltma eserleri olarak arşivleyin.

5. Bulanık ağırlıklar (FAHP çıktısı) türetilir

1. Bireysel kararları toplayın.
   1. Belirli bir operatör (örneğin, bulanık geometrik ortalama) kullanılarak grup düzeyinde bulanık matrislere toplanan uzman ^{matrisler17,36}.
   2. Toplama operatörünü ve parametreleri Ek Dosya S2'ye kaydedin.
2. Ağırlıkları belirsizleştirin ve normalize edin.
   1. Grup düzeyindeki bulanık öncelikleri defuzzize ederek aynı önceden belirlenmiş defuzzifikasyon^{kuralı 10} kullanarak net ağırlıklar elde edin.
   2. Her seviyedeki ağırlıkları normalize edin (boyutlar toplamı 1'e; göstergeler her boyut toplamı 1'e düşürür) ve nihai boyut ile gösterge ağırlık vektörlerini çıkarın.
   3. Tablo 1'i nihai ağırlıklarla doldurun ve sonraki FCE bölümü için kullanılan tablo versiyonunu kilitleyin.

6. Öğrenci anketini tasarlayın ve yönetin

1. Enstrümanı hazırla.
   1. Tam 19 öğeyi Ek Dosya S1'de kelimesi kelimesine verin; her biri Tablo 1'deki bir göstergeye eşlenmiştir.
   2. Her sayfa/ekranda net çapa metni basılı olan 7 noktalı bir Likert ölçeği kullanın (1 = kesinlikle katılmıyorum; 7 = kesinlikle katılıyorum).
   3. Anketi küçük bir grupla (örneğin 10–15 öğrenen) pilot test ederek anlama ve tamamlama^{süresini 37} doğrulayın.
2. Anketi yönetin ve her katılımcı için bir benzersiz yanıtı zorunlu kılın.
   1. Uygun öğrencileri davet edin (HSK 5+ veya operasyonel eşdeğeri) ve standart bir veri toplama protokolü oluşturun. Tam yönetim penceresini (örneğin, dönem sonunda tanımlanmış iki haftalık bir dönem) ve tamamlama modunu (örneğin, odaklanmış katılımı sağlamak için 15–20 dakika süren sınıf içi denetimli oturumlar veya güvenli, zamanlanmış anket bağlantıları üzerinden kontrollü çevrimiçi dağıtım) belirtin. Eğitmenler veya araştırmacılar, anket dağıtımından önce çalışmanın amacını açıkça açıklayan, verilerin anonimliğini garanti eden ve tüm katılımcılara 7 puanlık Likert ölçeği çapkârlarını tanımlayan standart bir brifing sunmalıdır.
   2. Her katılımcı için tek kullanımlık erişim belirteni (veya eşdeğer bir tek seferlik kod) vererek, tekrar göndermeleri devre dışı bırakarak ve token logunu kullanarak tekrarları kontrol ederek her katılımcı için bir yanıt sağlamayı zorunlu kılın.
   3. Anonimlik gerekiyorsa, tokenları yanıtlardan ayrı depolayın ve analiz öncesi giriş tanımlayıcılarını hash edin.
   4. Veri temizliğinden önce tüm hariç kuralları (örneğin, eksik yanıtlar, tekrarlanan token girişleri) belgeleyin; böylece sonradan önyargıyı önleyin.
3. Alt grup analizi için meta verileri kaydet.
   1. Alt grup analizi için yanıtlayıcı profilini net bir şekilde tanımlamak amacıyla kapsamlı ve tanımsız meta verileri kaydedin. Öğrenciler için bu, ana dil grubu, yaş, cinsiyet, Mandarin eğitim yılları, mevcut HSK yeterlilik seviyesi, akademik bölüm, ders türü ve çalışma alanı gibi demografik ve akademik özellikleri içermelidir. Uzman paneli için, yıllarca öğretim deneyimi, elde edilen en yüksek akademik derece ve belirli alan uzmanlıkları (örneğin, edebiyat eğitimi, eğitim teknolojisi) dahil olmak üzere profesyonel demografik bilgileri açıkça kaydetmelidir.
      DIKKAT: Kişisel tanımlı bilgileri koruyun ve onaylanmış veri işleme prosedürlerini takip edin.

7. Hesap üyelik dereceleri (FCE)

1. Değerlendirme notlarını ve sayısal puanları tanımlayın.
   1. Beş derecelik bir değerlendirme seti tanımlayın: Mükemmel, İyi, Orta, Görece Fakir, Zayıf.
   2. Notlar üzerinden indeks dönüşümü için sayısal puanlar atayın (örneğin, 90, 80, 70, 60, 50) ve puanlama şemasını Ek Dosya S3^38'e kaydedin.
2. Üyelik fonksiyonlarını belirtin ve üyelik matrisleri oluşturun.
   1. Likert yanıtlarını not üyeliklerine eşlemek için üyelik fonksiyonları belirtin (örneğin, trapezoidal fonksiyonlar)^39,40.
   2. Ek Dosya S3'te her sınıf sınırı için açık parametreler sağlayın ve aynı parametrelerin tüm göstergeler için geçerli olup olmadığını belirtin.
   3. Her gösterge için, her öğrenen yanıtını 5 elemanlı üyelik vektörüne dönüştürür, ardından öğrenenler arasında (örneğin, üyeliklerin ortalaması sayılırak) birleştirerek gösterge düzeyinde üyelik vektörü oluşturulur.
   4. Tüm gösterge düzeyindeki üyelik vektörlerini üst üste koyarak gösterge-dereceye göre üyelik matrisi oluşturulur.

8. Bulanık sentez yapın ve sürdürülebilirlik indeksini (SI) türetin

1. Ağırlıklı bir bulanık operatör uygulayın.
   1. Gösterge ağırlık vektörü ile gösterge üyelik matrisi, belirli bir ağırlıklı bulanık sentez operatörü (örneğin, ağırlıklı ortalama operatör) kullanılarak birleştirerek kapsamlı üyelik^vektörü 41,42'yi elde edin.
   2. Operatörün adını ve formülünü Ek Dosya S3'te bildirerek bağımsız tekrarlanabilirliği garanti edin.
2. Defuzzify ile SI'yı 0–100 ölçeğinde hesaplar.
   1. Kapsamlı üyelik vektörünü not puanlarının ağırlıklı ortalaması ile tek bir SI değerine dönüştürün (bölüm 8.1.2'de tanımlandığı gibi).
   2. Boyut düzeyinde SI değerlerini, her boyut içinde 9.1–9.2 bölümlerini boyuta özgü gösterge ağırlıkları kullanılarak tekrarlayarak çıkarın.
   3. SI değerlerini önceden belirlenmiş kesim sınırlarıyla sınıflandırın: 85–90 = Mükemmel; 75–84 = İyi; 65–74 = Orta; 55–64 = Görece yoksul; ≤ 54 = Fakir.
      DURAKLATMA NOKTASI: Ara vektörleri, matrisleri ve hesaplama sayfalarını (veya script çıktılarını) dosya hash'larıyla birlikte bir depoda depolayın.

9. Isteğe bağlı niteliksel doğrulama (karışık yöntemler)

1. Mülakatlar için örnek katılımcılar.
   1. Eğitmenleri ve öğrenenleri SI kalıplarıyla uyumlu amaçlı bir şema kullanarak örnekleyin (örneğin, yüksek ve düşük kültürel uyum sağlama) ve kayıt için ek onay alın.
   2. Puanların yorumlanabilirliğine, sürdürülebilirliğin algılanan itkerlerine ve bağlamsal kısıtlamalara odaklanan yarı yapılandırılmış bir mülakat rehberi kullanın (Ek Dosya S4)⁴³.
2. Bulguları kodlayın ve üçgenle yapın.
   1. Kayıtları kelimesi kelimesine yazıp kodlamadan önce transkriptleri tanımlamayı unutmayın.
   2. Önceden belirlenmiş bir kodlama şeması kullanılarak kod transkriptleri ve kodlayıcı eğitimi, kodlayıcılar arası anlaşma (varsa) ve çözüm kuralları ^44,45.
   3. Nitel temaları boyut düzeyinde SI sonuçlarıyla üçgenleştirerek güçlü ve zayıf yönleri bağlama bağlayarak nicel prosedürü geçersiz kılmadan.

10. Rapor ve arşiv (tekrarlanabilirlik paketi)

1. Çekirdek çıktılar hakkında rapor verin.
   1. Rapor boyut ve gösterge ağırlıkları, üyelik matrisleri (veya özetler), SI değerleri, not etiketleri ve alt grup karşılaştırmaları (örneğin, site veya yeterlilik grupları).
   2. Tüm dışlama kurallarını ve nihai analiz edilen örneklem boyutlarını belirtin (Özet/Sonuçlar ile tutarlılığı sağlayın).
2. Arşiv materyalleri ve kod.
   1. FAHP ağırlıklandırma, üyelik hesaplaması, sentezi ve defuzzifikasyon için kullanılan anonimleştirilmiş veri setleri, betikler ve elektronik tabloları arşivleyin.
   2. Yazılım/çalışma zamanı sürümleri (örneğin, programlama dili versiyonu; paket sürümleri) ve rastgele tohumları (kullanılıyorsa) sabitleyin ^46,47.
3. Hassasiyet analizi yapın (önerilir).
   1. Perturb göstergesi %±10 ağırlık (her seferde birer veya boyut içinde) oranında ağırlıklar verir; SI yeniden hesaplanır ve kaldıraç noktalarını belirlemek için SI dalgalanmalarını özetler (Tablo 2).
   2. Düşük ağırlıklı ama yüksek hassasiyete sahip göstergeleri potansiyel "eşik riskleri" olarak yorumlayın ve bunları açıkça bildirin.

Sonuçlar

Boyut ağırlıkları ve ana göstergeler
Bulanık analitik hiyerarşi süreci (FAHP) kullanılarak, boyut ağırlıkları teknik boyutun (T) sürdürülebilirliğe en büyük payı (0,32) verdiğini, ardından kültürel boyutun (C, 0,26) ve pedagojik boyutun (P, 0,23) olduğunu, politika boyutunun (G) ise en düşük ağırlığı (0,19)'a verdiğini gösterdi^. Gösterge düzeyinde, teknik boyut fonksiyonel yineleme verimliliğini (T3, 0.25)¹ ve algoritmik...

Tartışma

Bu protokol, hibrit FAHP–FCE iş akışının, dijital destekli uluslararası Çin edebiyatı derslerinde "sürdürülebilirlik öğretimi"ni, gevşek tanımlanmış bir sonuç yerine şeffaf, tekrarlanabilir bir endeks olarak operasyonel hale getirebileceğini göstermektedir. Sonuçlar, teknik işlevselliğin sürdürülebilirlik için ön koşul katmanı olarak işlev gördüğünü ve algoritmik yorumlanabilirliğin sürdürülebilirlik endeksi (SI) dalgalanmalarına en yüksek^{duyarlılığı gösterdiğini göster...}

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Öğrenci Anketi (19-madde)	Kendi tasarladığı	Yok	Öğrencileri toplamak için kullanılır' teknoloji, pedagoji, kültür ve politika boyutlarının değerlendirilmesi; 7 noktalı Likert ölçeği
Uzman İkili Karşılaştırma Formu	Kendi tasarladığı	Yok	Uzmanları toplamak için kullanılır' FAHP ağırlık hesaplaması için belirsiz çiftli karşılaştırmalar
Veri Yakalama Şablonu & Senaryolar	Excel / Python	Yok	Veri depolama, üyelik matrisi hesaplaması ve Sürdürülebilirlik Endeksi (SI) üretimi için kullanılır