基于ROC与PROMETHEE II方法的特殊需要儿童可视化编程软件选择的混合多准则决策(MCDM)框架

《Applied Sciences》：Hybrid MCDM Framework for Selecting Visual Programming Software for Children with Special Educational Needs Using the ROC and PROMETHEE II Methods

　　

摘要：基于图形化积木与流程图的可视化编程有助于理解基础编程概念，这对有特殊教育需要(Special Educational Needs, SEN)的儿童尤为重要，因其可降低认知负荷并促进交互式学习。本研究旨在开发并应用一种混合多准则决策(Multi-Criteria Decision-Making, MCDM)框架，以评估、排序并遴选适用于SEN儿童的可视化编程软件。研究人员在分析教育情境与目标群体需求的基础上定义了评估准则集，通过结构化问卷收集数据并构建决策矩阵。在该混合MCDM框架中，准则权重由秩序重心法(Rank Order Centroid, ROC)确定，备选方案排序采用偏好顺序排列评价法(Preference Ranking Organization Method for Enrichment Evaluation II, PROMETHEE II)完成，并通过灵敏度分析考察排序随准则权重变化的稳定性与鲁棒性。结果表明备选方案排序稳定，多数场景下可识别出最优解；几何交互辅助分析(Geometrical Analysis for Interactive Aid, GAIA)平面91.1%的投影质量证实了结果可视化解读的可靠性。该框架改进了决策过程，可为教育软件评估的后续研究提供基础。

论文解读：基于ROC与PROMETHEE II方法的特殊需要儿童可视化编程软件选择的混合MCDM框架

研究背景与问题提出

现代教育中可视化编程工具（如积木式编程环境）因能通过直观图形界面帮助学生掌握基础编程概念而日益受到重视，其对促进逻辑与算法思维及降低初学门槛具有积极作用。然而，对于有特殊教育需要（Special Educational Needs, SEN）的儿童而言，认知、运动及感知方面的限制使合适软件的选择更为复杂。当前学术界缺乏标准化且经实证验证的多准则框架来遴选适用于SEN儿童的可视化编程软件；现有工具虽多，却因涉及多项常相互冲突的准则（如易用性、认知负荷、教学效果等）而难以系统比较，实践中常依赖主观判断。因此，研究人员开展了此项研究，旨在构建并应用一种融合秩序重心法（Rank Order Centroid, ROC）与PROMETHEE II法的混合多准则决策（Multi-Criteria Decision-Making, MCDM）框架，对面向SEN儿童的可视化编程软件进行系统化评估与排序。该论文发表于《Applied Sciences》。

主要关键技术方法

研究人员在塞尔维亚面向发育迟缓儿童的48所中小学开展横断面调查，通过Google Forms发放结构化问卷，回收66份有效答卷（计算机教师及特教专业人员），受访者对11项预设评估准则进行序数排序（1=最重要，11=最不重要），并收集实际使用的可视化编程环境信息。基于文献综述定义包含视觉可及性、认知复杂度、教学支持等11项准则（C₁–C₁₁），备选软件为Scratch、Tynker、MakeCode、Blockly和Alice。研究人员计算各准则平均秩次，采用ROC法将序数秩转化为定量权重（公式 w_i=1/n Σ_j=iⁿ(1/j)）；依据技术文档与文献对备选方案做五等级定性评估后转为1–5分（Likert型），认知复杂度与费用取逆向偏好，经min–max归一化构建决策矩阵；采用Visual PROMETHEE软件以线性V形偏好函数（阈值 p=2）运行PROMETHEE II得出净偏好流（φ=φ⁺?φ^?）完成全排序，并通过Walking Weights法进行±10%及+20%准则权重变动的灵敏度分析，辅以GAIA平面进行多维关系可视化。

研究结果

4. Results——准则权重

研究人员依据66名受访者对11项准则的排序均值，通过ROC法计算出各准则权重。结果显示视觉可及性（Visual Accessibility, 0.2745）与认知复杂度（Cognitive Complexity, 0.1836，"越低越好"）权重最高，其次为教学支持（Pedagogical Support）、交互简洁性（Interaction Simplicity）、特定技能发展支持、适应性与包容性、多感官学习及技术可及性；软件费用、语音/音频支持及学校环境适应性权重最低。这表明对SEN儿童软件评估中，可及性、可用性和学习过程支持占主导地位。

4. Results——决策矩阵与PROMETHEE II排序

经定性转定量并归一化后构建决策矩阵。PROMETHEE II分析（线性V形偏好函数，p=2）得出各备选方案的流出φ⁺、流入φ^?及净流φ。Scratch获最高净流φ=0.2817居首位；Tynker φ=0.1554列第二；MakeCode φ=0.0380第三；Alice与Blockly为负值，Blockly φ=?0.2456最低列末位。尽管原始矩阵数值上MakeCode略优于Tynker某单项，但引入准则权重与偏好结构后Tynker升至第二，印证MCDM方法必要性。GAIA平面投影质量达91.1%，Scratch向量最接近π轴（决策轴），表明其与主导准则方向吻合度最高。

4. Results——灵敏度分析

选取前四项高权重准则（合计占总权重70.42%）做权重偏移。基准排序（Scratch > Tynker > MakeCode > Alice > Blockly）在大多数情景下保持稳定；前三名排序稳定，变化主要出现在Alice与Blockly位次互换。认知复杂度（Cognitive Complexity）准则权重变动对排序影响最大，视觉可及性与教学支持变动时排序不变。表明框架对主流偏好偏移具鲁棒性。

讨论与结论翻译

讨论指出，视觉可及性与认知复杂度降负是SEN儿童编程软件选择的核心准则，与已有研究中积木式环境降低认知负荷的结论一致。Scratch因在关键高权重准则（视觉可及性、认知复杂度、教学支持、交互简洁性）上表现突出居首，符合其作为入门编程包容环境的公认优势。Tynker在多感官学习与教学支持方面强，MakeCode技术兼容性好但包容性稍弱，Alice与Blockly在可及性与认知简洁性上得分偏低限制其排名。GAIA显示认知复杂度与费用向量方向异于教学及包容性准则，说明低成本或高功能复杂度未必等同更高教育有效性。灵敏度分析证实框架稳定，认知复杂度影响最显著。

结论如下：本研究提出并应用了结合ROC与PROMETHEE II的混合MCDM框架，用于SEN儿童可视化编程软件的评估与选择。针对RQ1，视觉可及性、认知复杂度、教学支持和交互简洁性是决策者最重视的准则，教育教学—认知因素重于技术与经济因素。针对RQ2，ROC–PROMETHEE II模型给出明确排序：Scratch第一，依次为Tynker、MakeCode、Alice、Blockly；界面简洁且教学支持强的方案表现更优。针对RQ3，灵敏度分析与GAIA投影（91.1%）证实排序对准则权重±10%及+20%变动具鲁棒性，前三名稳定，变动多发生于末两位；模型对认知复杂度准则权重最敏感。该框架为教育机构选择适切教育工具提供结构化透明决策支持，有助于提升教学品质与全纳教育水平。研究局限含备选方案数量、预设准则集、受访者对多款软件直接体验有限、SEN群体异质性及便利抽样代表性，未来可扩展准则与方案、纳入更多MCDM方法比对、开展访谈及纵向效果研究。