Menguak Pola Pembelajaran Mandiri dengan AI Generatif dalam Sistem Bimbingan Cerdas

AI Generatif dan Revolusi Pembelajaran Mandiri

      Kecerdasan Buatan Generatif (GenAI), terutama yang didukung oleh model bahasa besar, telah merevolusi banyak sektor, termasuk pendidikan. GenAI memungkinkan penciptaan konten adaptif, pemberian umpan balik instan, dan dukungan belajar yang dipersonalisasi, sehingga meningkatkan pengalaman belajar siswa secara signifikan. Banyak penelitian telah menunjukkan dampak positif GenAI terhadap efikasi diri, penggunaan strategi belajar, dan pencapaian akademik pelajar. Namun, integrasi teknologi ini ke dalam lingkungan belajar tradisional tidak serta-merta menjamin kesuksesan akademik. Kualitas interaksi siswa dengan GenAI—mulai dari cara mereka menyusun perintah (prompts) hingga strategi yang mereka gunakan untuk mengatur interaksi tersebut—memainkan peran krusial dalam membentuk hasil belajar.

      Dalam konteks ini, kapasitas pembelajaran mandiri atau Self-Regulated Learning (SRL) menjadi sangat penting. SRL adalah proses dinamis dan berulang di mana pelajar memantau dan mengatur proses kognitif, afektif, dan perilaku mereka untuk mencapai tujuan belajar tertentu. Di lingkungan belajar yang didukung GenAI, siswa dapat menunjukkan pola berbeda dalam cara mereka mengatur penggunaan GenAI dan mengintegrasikannya ke dalam aktivitas SRL mereka. Sebuah studi oleh Jie Gao, Shasha Li, Jianhua Zhang, Shan Li, dan Tingting Wang, yang dipublikasikan dalam Proceedings of the 16th International Conference on Learning Analytics and Knowledge (LAK’26), menginvestigasi pola-pola SRL ini dengan menganalisis interaksi siswa dalam sistem bimbingan cerdas berbasis GenAI. (Gao et al., 2026, https://arxiv.org/abs/2601.17000).

Mengenal Pembelajaran Mandiri (SRL) dan Perannya dalam Era Digital

      Pembelajaran Mandiri (SRL) adalah kerangka kerja teoretis yang menyoroti bagaimana pelajar secara aktif terlibat dalam proses belajar mereka sendiri. Ini bukan hanya tentang kemampuan mental statis, melainkan serangkaian tindakan dan peristiwa dinamis yang dilakukan pelajar untuk mencapai tujuan belajar mereka. SRL melibatkan serangkaian tindakan persiapan, seperti menetapkan tujuan, merencanakan, memilih strategi belajar, memantau kemajuan, dan merefleksikan hasil. Semua ini dilakukan dengan inisiatif sendiri, menjadikan pelajar sebagai agen aktif dalam pengalaman belajar mereka.

      Salah satu kerangka kerja SRL yang paling menonjol adalah model tiga fase Zimmerman, yang terdiri dari fase forethought (pemikiran awal), performance (pelaksanaan), dan reflection (refleksi).

• Forethought (Pemikiran Awal): Pada fase ini, siswa melakukan serangkaian tindakan persiapan. Mereka menganalisis persyaratan tugas, menetapkan tujuan belajar, dan membuat rencana. Ini termasuk mengklarifikasi harapan, memahami kriteria keberhasilan, serta memecah tugas kompleks menjadi langkah-langkah yang lebih kecil. Mereka juga memprioritaskan langkah-langkah, membuat jadwal, dan mengalokasikan waktu.

Performance (Pelaksanaan): Setelah persiapan, siswa aktif terlibat dalam strategi kognitif SRL untuk melaksanakan tugas. Ini bisa berupa strategi pemrosesan informasi seperti meringkas atau mengelaborasi materi, atau mencari bantuan dari teman sebaya atau sumber daya ketika menghadapi kesulitan. Selama fase ini, pelajar terus-menerus memantau aktivitas kognitif dan hasil mereka, mengevaluasi kualitas proses ini terhadap tujuan untuk menghasilkan umpan balik real-time*. Reflection (Refleksi): Umpan balik dari fase pelaksanaan mendorong siswa untuk meninjau kinerja mereka dan merefleksikan proses belajar. Mereka menilai seberapa efektif tindakan mereka dan mengaitkan hasil dengan upaya yang dilakukan. Proses ini menumbuhkan rasa kepuasan atau menyoroti area untuk perbaikan, secara langsung memengaruhi motivasi dan reaksi pengaturan mereka dalam siklus belajar selanjutnya. Refleksi ini memungkinkan penyesuaian real-time* untuk meningkatkan efisiensi dan memperdalam pemahaman konseptual.

Metodologi Penelitian: Mengungkap Pola Interaksi dengan AI

      Untuk memahami SRL dalam konteks GenAI, studi ini menggunakan pendekatan berbasis proses yang berfokus pada analisis data interaksi siswa. Mereka mengekstrak pola interaksi siswa dengan GenAI dari trace data —catatan berfrekuensi tinggi dan berstempel waktu dari setiap interaksi pelajar dengan sistem digital. Ini mencakup klik, pola akses sumber daya, waktu yang dihabiskan di halaman, dan interaksi lainnya, yang memberikan gambaran objektif dan rinci tentang perilaku pelajar secara real-time.

      Penelitian ini menggunakan algoritma klastering sekuensial untuk mengidentifikasi pola interaksi siswa dengan GenAI saat mereka menyelesaikan tugas pemecahan masalah nutrisi berbasis komputer. Selain itu, studi ini membedakan dua tujuan utama penggunaan GenAI dari perspektif pemrosesan informasi:

• **Akuisisi Informasi (Information Acquisition):** Ini merujuk pada upaya siswa untuk memperdalam pemahaman mereka tentang informasi yang tidak familiar atau mencari penjelasan tambahan. Misalnya, meminta GenAI untuk memberikan elaborasi atau contoh ilustratif.
• **Transformasi Informasi (Information Transformation):** Ini melibatkan evaluasi atau konfirmasi informasi, di mana siswa mungkin menggunakan GenAI untuk memproses ulang atau memverifikasi pemahaman mereka.

      Pendekatan analitik semacam ini menunjukkan bagaimana teknologi dapat digunakan untuk memahami perilaku pengguna secara mendalam. Dalam domain lain, seperti industri, analitik video AI dari ARSA Technology juga memanfaatkan AI untuk mendeteksi dan menginterpretasikan pola perilaku, baik itu dalam pengawasan keamanan, pemantauan kepatuhan, atau analitik ritel, yang mengubah data pasif menjadi wawasan yang dapat ditindaklanjuti.

Temuan Kunci: Dua Pola Penggunaan AI dan Implikasinya

      Melalui analisis sekuensial dan klastering, penelitian ini berhasil mengklasifikasikan peserta menjadi dua kelompok berbeda berdasarkan urutan SRL mereka. Kedua kelompok ini menunjukkan perbedaan signifikan dalam frekuensi dan karakteristik temporal penggunaan GenAI. Ini berarti bahwa tidak semua siswa berinteraksi dengan GenAI secara seragam; ada pola berbeda dalam seberapa sering dan kapan mereka memilih untuk menggunakan bantuan AI selama proses belajar.

      Temuan menarik lainnya adalah bahwa sebagian besar siswa menggunakan GenAI untuk akuisisi informasi, yaitu untuk memperdalam pemahaman mereka tentang materi baru. Sebaliknya, penggunaan GenAI untuk transformasi informasi—seperti mengevaluasi atau mengonfirmasi pengetahuan yang ada—lebih jarang terjadi. Yang lebih penting, penelitian ini menemukan bahwa tidak ada korelasi yang signifikan secara statistik antara tujuan penggunaan GenAI (akuisi atau transformasi informasi) dan kinerja belajar siswa.

      Implikasi dari temuan ini sangatlah penting. Ini menunjukkan bahwa meskipun GenAI dapat menjadi alat yang kuat, cara siswa mengintegrasikannya ke dalam proses SRL mereka mungkin tidak selalu sejalan dengan peningkatan kinerja. Mungkin ada kebutuhan untuk instruksi yang lebih eksplisit tentang bagaimana memanfaatkan GenAI secara lebih efektif untuk tujuan transformasi informasi, yang mungkin memerlukan tingkat keterlibatan kognitif yang lebih tinggi.

Penerapan Praktis dan Desain Pedagogis Masa Depan

      Temuan dari studi ini memberikan wawasan berharga bagi pengembangan lingkungan belajar yang didukung GenAI dan desain pedagogis. Para pengembang sistem bimbingan cerdas dapat merancang fitur GenAI yang lebih adaptif, yang tidak hanya menyediakan informasi, tetapi juga secara aktif mendorong siswa untuk terlibat dalam proses transformasi informasi dan refleksi mendalam. Misalnya, GenAI dapat diprogram untuk mengajukan pertanyaan yang menantang pemahaman siswa, meminta mereka untuk menjelaskan kembali konsep dengan kata-kata sendiri, atau membandingkan dan mengontraskan ide-ide yang berbeda.

      Bagi para pendidik, penting untuk tidak hanya memperkenalkan GenAI sebagai alat bantu, tetapi juga melatih siswa dalam strategi SRL yang efektif dalam menggunakannya. Ini termasuk mengajarkan siswa bagaimana membuat perintah yang lebih baik, mengevaluasi keandalan dan relevansi informasi yang diberikan GenAI, dan menggunakan GenAI sebagai alat untuk refleksi dan metakognisi, bukan hanya sebagai sumber jawaban pasif. Mendorong siswa untuk beralih dari sekadar akuisisi informasi ke transformasi informasi dapat membantu mereka mengembangkan pemahaman yang lebih dalam dan keterampilan berpikir kritis.

      Secara lebih luas, pemahaman tentang bagaimana pengguna berinteraksi dengan sistem cerdas dan bagaimana pola interaksi ini memengaruhi hasil, adalah fundamental dalam pengembangan teknologi. Mirip dengan bagaimana ARSA AI Box Series mengubah kamera CCTV pasif menjadi mesin analitik cerdas yang memberikan wawasan real-time untuk keamanan, efisiensi operasional, dan peningkatan pendapatan, GenAI dalam pendidikan berpotensi untuk mengubah pengawasan pasif menjadi kecerdasan bisnis aktif untuk pembelajaran. Dengan analitik yang lebih canggih, seperti yang dilakukan dalam studi ini, kita dapat merancang sistem AI yang lebih efektif dan berpusat pada manusia.

      Untuk menjelajahi lebih lanjut bagaimana solusi AI dan IoT dapat mendukung transformasi digital dan optimalisasi operasional di berbagai industri, silakan hubungi ARSA untuk konsultasi gratis.

Referensi

      Gao, J., Li, S., Zhang, J., Li, S., & Wang, T. (2026). Investigating Self-regulated Learning Sequences within a Generative AI-based Intelligent Tutoring System. In Proceedings of the 16th International Conference on Learning Analytics and Knowledge (LAK’26). ACM, New York, NY, USA, 11 pages.