Agensi Pembelajar

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Agensi pembelajar — kapasitas pembelajar untuk bertindak secara sengaja, membuat pilihan, dan menjalankan kendali atas pembelajaran mereka sendiri. Dalam AI dalam pendidikan, agensi menjadi perhatian sentral karena alat AI dapat mendukung sekaligus melemahkan kendali pembelajar: AI yang dirancang baik mempertahankan dan memperkuat otonomi pembelajar, sementara ketergantungan berlebih atau penerimaan pasif atas keluaran AI dapat mengikisnya. Agensi terhubung dengan Regulasi Diri dalam Belajar, Motivasi, Efikasi Diri, dan desain etis sistem AI, serta erat terkait dengan konsep psikologis otonomi dan rasa agensi.

Pertanyaan yang perlu dipertimbangkan

• Agensi pembelajar — kapasitas Anda untuk bertindak secara sengaja dan mengendalikan pembelajaran Anda sendiri — adalah inti AI dalam pendidikan. Ketika Anda menggunakan alat AI, seberapa besar kendali yang sebenarnya Anda pertahankan atas proses pembelajaran, dibandingkan dengan kendali yang dipegang alat itu?
• AI dapat mendukung sekaligus melemahkan agensi: AI yang dirancang baik memperkuat otonomi Anda, sementara ketergantungan berlebih mengikisnya. Pikirkan saat Anda membiarkan AI "mengerjakannya saja." Apakah Anda belajar lebih sedikit, meskipun keluarannya tampak lebih baik?
• Siswa yang menyerahkan interpretasi kepada AI dapat kehilangan agensi atas penalaran mereka sendiri. Ketika Anda menyerahkan suatu tugas kepada AI, bagian mana dari pemikiran Anda sendiri yang diam-diam Anda lepaskan?
• Satu studi menemukan bahwa pembelajaran AI yang diprakarsai sendiri oleh siswa sebelumnya memprediksi seberapa banyak mereka memperoleh manfaat dari pengajaran — pembelajar dengan agensi tinggi paling diuntungkan. Jika agensi sebagian merupakan keterampilan yang dibawa masuk, bagaimana konteks Anda sendiri dapat membangunnya alih-alih mengasumsikannya?
• Agensi bukan sekadar sifat — ia muncul dari momen ke momen dalam kerja kelompok, di mana AI dapat mendistribusikan ulang siapa yang membentuk kolaborasi tanpa disadari pembelajar. Kapan terakhir kali Anda menyadari sebuah alat diam-diam mengarahkan arah kelompok?
• Persona AI yang kontrarian dapat mendorong kelompok ke dalam tantangan yang produktif tetapi juga menurunkan kepuasan kerja tim dan keamanan psikologis. Dapatkah gesekan produktif ada tanpa keamanan psikologis — dan apa implikasinya bagi perancangan rekan tim AI?

Pendahuluan

Agensi penting karena pembelajaran paling efektif ketika pembelajar merupakan peserta yang aktif dan sengaja, bukan penerima pasif. Sistem AI — baik agen tutor, robot, maupun chatbot — membentuk seberapa besar kendali yang dipertahankan pembelajar atas proses pembelajaran mereka. Mempertahankan agensi karena itu menjadi prinsip desain kunci dalam AI yang bertanggung jawab di pendidikan, sejalan dengan mendukung Efikasi Diri, membangun kepercayaan, dan menghindari Ketergantungan Berlebih.

Mishra et al. membingkai kendali vs. agensi sebagai ketegangan esensial yang berulang dalam AI di pendidikan — dari ITS awal hingga AI generatif hari ini — sehingga agensi pembelajar menjadi poros yang bertahan dalam perdebatan bidang ini.

Pandangan zero-sum tentang agensi dengan alat agensik: Prieto & Dimitriadis (2026) berargumen bahwa semakin banyak agensi yang diberikan kepada alat AI pendidikan, semakin sedikit yang dipertahankan pembelajar — bahwa agensi secara efektif merupakan permainan zero-sum, dan bahwa pendekatan desain yang berpusat pada manusia saat ini (misalnya, value-sensitive design) tidak memadai karena ketergantungan berlebih dan isolasi didorong oleh faktor sistemik yang lebih luas serta kecenderungan manusia mengambil jalan termudah. Visi desain emansipatoris mereka, yang berorientasi pada keberkembangan pembelajar di dalam sistem yang kompleks, memperlakukan pemeliharaan dan penumbuhan agensi pembelajar sebagai tujuan utama desain AI generatif alih-alih sebagai tambahan yang dipikirkan belakangan.

Agensi sebagai tujuan, bukan hanya kapasitas: Jika pembingkaian di atas menanyakan seberapa besar agensi yang dipertahankan pembelajar, Fagerlund et al. (2026) menanyakan untuk apa AI dalam Pendidikan ada. Mewawancarai tiga belas guru Finlandia dari prasekolah hingga kelas 9 tentang tujuan mengajar dengan dan tentang AI, dan membaca kisah mereka melalui tiga domain tujuan pendidikan Biesta (kualifikasi, sosialisasi, subjektifikasi), mereka menemukan kompetensi sebagai tujuan yang paling jelas dan paling konkret: guru ingin siswa memahami AI sebagai fenomena sosioteksnis dan menggunakan alat-alatnya. Subjektifikasi, yakni keterlibatan dengan AI yang ditentukan sendiri dan bermakna secara personal, ditegaskan sebagai hal penting tetapi dibiarkan tanpa strategi instruksional konkret; guru meraih diskusi generik dan kontemplasi alih-alih aktivitas yang dirancang. Para penulis mengusulkan agensi AI yang terinformasi sebagai heuristik yang menempatkan subjektifikasi di pusat sambil memperlakukan kompetensi sebagai landasan penjelasnya, membantu siswa melihat pilihan apa yang tersedia dan memilih apa yang ingin dikejar. Konsekuensi praktisnya langsung: kurikulum yang mengutamakan keterampilan dapat mendesak keluar tujuan agensial yang seharusnya dilayaninya, dan obatnya adalah membuat "mengapa" pendidikan AI eksplisit alih-alih menambahkan kompetensi lain ke dalam daftar.

Arah perjalanannya tidak tetap. Gillette et al. (2026) membandingkan fakultas Swedia mereka dengan mahasiswa Australia dalam Bearman et al. (2025), yang "umumnya menginginkan agensi" dan "menolak ketergantungan": di sini beberapa mahasiswa menggambarkan diri mereka menjadi bergantung pada genAI dan menyebutnya sebagai kehilangan, satu di antaranya mengatakan AI itu "memberi dorongan dopamin karena semuanya memakan waktu lebih sedikit" dan "menghargai perilaku buruk".

Bagaimana agensi muncul dalam penelitian basis pengetahuan

• Robotika dan interaksi manusia-robot: RoboBlockly Studio dirancang secara eksplisit untuk mempertahankan agensi pembelajar dalam berpikir komputasional; sebuah tinjauan sistematis mengkaji bagaimana interaksi manusia-robot memengaruhi otonomi manusia dan rasa agensi, yang sentral bagi perdebatan kesejahteraan dan tata kelola.
• Pembelajaran kolaboratif: Kolaborasi Manusia-AI riset mengkaji bagaimana tugas kognitif dibagi antara pembelajar dan AI, dengan agensi menentukan apakah manusia atau AI yang mengarahkan interaksi.
• Agensi epistemik bersama meluas ke interaksi siswa–GAI. Skema 14 kategori yang mengodekan 6,788 giliran berbantuan ChatGPT menempatkan 59% giliran siswa kelas tujuh pada agensi epistemik bersama, dan para penulis berargumen bahwa konstruk itu — yang sebelumnya terutama dipelajari dalam kolaborasi sebaya — harus diperluas untuk mencakup dimensi kognitif dan metakognitif (Chang et al., 2026).
• Keterlibatan kritis: Riset offloading kognitif menunjukkan bagaimana siswa yang menyerahkan interpretasi kepada AI dapat kehilangan agensi atas penalaran mereka sendiri; pendekatan kritis dan metakognitif bertujuan melindunginya.

Diuji pada sepuluh model, mendukung agensi adalah area terlemah mereka setelah pembelajaran. ImpactBench mengukur Agency & Purpose pada 56.0% untuk kriteria positif (95% CI [49.2, 62.5]) dan 43.9% untuk kriteria negatif ([36.9, 50.8]), terendah kedua dari 14 subarea, dan kriteria bantuan yang mempertahankan otonomi menanyakan apakah sebuah model menawarkan konteks dan trade-off alih-alih meresepkan arah tindakan (ImpactBench (2026)). Model juga jauh lebih tidak konsisten dalam menghindari bahaya daripada dalam bersikap membantu: selisih 38.6 poin berbanding 15.9 poin.

Biayanya bergantung pada lapisan mana yang didelegasikan: dalam studi menulis delapan minggu, mendelegasikan penalaran — warrant, kontraargumen, interpretasi bukti — membawa asosiasi negatif terkuat dengan kinerja mandiri (ab = −0.34), dan penulisan teregulasi diri melemahkannya tetapi tidak pernah membalikkannya (Chen (2026)).

Studi panel tiga gelombang terhadap 342 mahasiswa sarjana dalam 85 kelompok menulis tetap memberi kekhawatiran itu arah temporal: setelah perbedaan antar-orang yang stabil dipisahkan dalam model panel cross-lagged intercept acak, ketergantungan GenAI yang lebih tinggi dari biasanya memprediksi agensi yang dipersepsikan lebih rendah pada waktu berikutnya, sementara jalur agensi-ke-ketergantungan lebih lemah dan tidak didukung secara statistik, meskipun interval kepercayaan dan analisis sensitivitas Monte Carlo menyisakan kemungkinan efek balik yang kecil. Data log-nya juga memperingatkan agar tidak membaca volume penggunaan sebagai agensi yang hilang — ketergantungan yang dilaporkan sendiri memang berkorelasi dengan intensitas penggunaan AI, tetapi log tidak dapat membedakan konsultasi strategis dari offloading atau kepatuhan, sehingga dasbor harus membaca intensitas bersama bukti wacana, refleksi, dan revisi.(Wu & Lu, 2026) Akun pelengkap memperluas SRL alih-alih menggantikannya: de Barba (2026) membedakan regulasi (mengelola proses sendiri), integrasi (mengorganisasi diri melintasi waktu dan konteks) dan posisi (menafsirkan secara kritis apa yang diukur lingkungan), dan berargumen bahwa desain berorientasi agensi harus memindahkan pembelajar dari "agensi dalam kondisi" ke "agensi atas kondisi" alih-alih mengoptimalkan proksi perilaku.

• Desain untuk agensi: Desain berbasis pengetahuan untuk robot sosial generatif (Teachy Mini) menangani risiko seperti ketergantungan berlebih yang melemahkan agensi pembelajar.
• Desain untuk serah-terima, bukan keterlibatan berkepanjangan. Prototipe dual-mode Amico memperlakukan AI sebagai mediasi terbatas dan sementara yang keberhasilannya diukur oleh transisi yang teramati kepada guru, teman sebaya, atau komunitas, bukan oleh waktu yang dihabiskan bersama AI; uji coba Italia–Tiongkoknya menemukan pembelajar mengenalinya sebagai alat yang terbatas alih-alih pengganti relasional (Benedetti (2026)).
• Perancah adaptif bertukar dengan otonomi profesional. de Jong (2026) berargumen bahwa karena adaptasi menuntut sistem menilai kompetensi pengguna, hal itu mengurangi otoritas profesional atas pengembangan mereka sendiri dan berisiko memberi perancah berlebih kepada para ahli, dan bahwa mekanisme yang dipersepsikan tidak perlu akan diabaikan begitu saja — menyisakan pertanyaan terbuka siapa yang memutuskan pengguna mana yang menerima perancah: sistem, organisasi, atau profesional itu sendiri.
• Perancah yang lebih mampu bukan berarti agensi yang lebih besar. Bot desain ahli khusus meningkatkan panjang interaksi dan prompt yang dihasilkan sendiri oleh guru prajabatan, namun agensi pemecahan masalah kolaboratif menurun baik pada kondisi itu maupun kondisi ChatGPT karena peserta setuju dengan bot alih-alih mengkritiknya (Krushinskaia et al. (2026)).
• Agensi sebelumnya memprediksi siapa yang diuntungkan: Liang et al. (2026), dengan bersandar pada Teori Kognitif Sosial Bandura, menunjukkan bahwa pembelajaran AI yang diprakarsai sendiri sebelumnya oleh siswa (manifestasi perilaku dari agensi) memprediksi seberapa banyak mereka memperoleh manfaat dari satu tahun pengajaran AI di sekolah — pembelajar dengan agensi tinggi masuk dengan kesiapan terkuat, sementara kurikulum sekolah mempersempit kesenjangan psikologis tetapi membiarkan kesenjangan kognitif tetap utuh. Pengajaran terstruktur dan pembelajaran terkait agensi sebelumnya bekerja sinergis, bukan sebagai pengganti.
• Selektivitas berprinsip sebagai agensi guru di bawah perubahan teknologi: Adiozaman and Segar (2026) mewawancarai dua akademisi berpengalaman tiga kali sepanjang satu semester dan menemukan bahwa mereka menavigasi pengajaran yang dimediasi AI bukan dengan mengadopsi atau menolak secara menyeluruh, melainkan melalui keputusan yang sengaja dan peka konteks yang dipandu nilai pedagogis, komitmen etis, dan pertimbangan profesional — pola yang oleh para penulis disebut selektivitas berprinsip, di mana penolakan atas penggunaan tertentu dihitung sebagai pertimbangan, bukan sebagai kegagalan adopsi. Ini adalah padanan sisi guru dari temuan pembelajar di atas: penggunaan AI yang tidak merata dapat merupakan praktik agensi, bukan bukti ketiadaannya.
• Agensi guru sebagai kondisi mediasi bagi agensi pembelajar: Temuan sisi guru yang terbaru memperjelas pembagian yang tersirat dalam temuan pembelajar di atas: agensi guru berada pada tahap desain dan bersifat memediasi, agensi pembelajar dijalankan pada saat itu juga, dan yang pertama menetapkan kondisi bagi yang kedua. Canonigo (2026) mengikuti sepuluh guru matematika sekolah menengah sepanjang intervensi ChatGPT-4 selama delapan minggu dan menemukan bahwa ketika guru mengurasi dan menginterogasi keluaran AI (mengajukan masalah terbuka, mem-prompt alat terlebih dahulu agar melepaskan petunjuk sambil menahan solusi, menuntut siswa menempatkan keluaran AI di samping pekerjaan mereka sendiri dan berargumen metode mana yang lebih baik), keluaran itu menjadi artefak sementara untuk dikritik dan siswa bergerak menuju konjektur serta pertanyaan metakognitif; ketika mediasi tidak ada, otoritas berpindah ke algoritma dan guru menjadi validator alih-alih sumber pengetahuan utama, pergeseran yang digambarkan seorang guru sebagai berpindah dari "oracle" ke "editor." Kualitas alat yang tidak setara meningkatkan beban yang harus dipikul mediasi itu: di antara 50 prompt yang dikirimkan tiga kali ke setiap model, tier gratis tidak akurat pada 49 dari 150 respons (32.7%) berbanding 18 dari 150 (12%) untuk tier premium (χ2(1) = 17.5, p < .001). Charles (2026) menarik implikasi kesiapan: agensi guru adalah sumber daya profesional yang dimobilisasi melalui keputusan dan artefak desain, sehingga kesiapan harus dinilai dari desain yang dihasilkan guru alih-alih dari seberapa sering mereka menggunakan AI, dan keputusan beralasan untuk menahan AI dapat dengan sendirinya menunjukkan kesiapan. Dibaca bersama, temuan ini memperingatkan agar tidak membaca penggunaan AI yang tinggi sebagai bukti kelas yang agensial, karena disposisi yang mempertahankan agensi pembelajar dijalankan dalam apa yang dirancang dan dikritik guru, bukan dalam apakah alatnya menyala.
• Kendali guru-siswa bukan zero-sum — tetapi distribusi yang tepat bergantung pada tahap. Studi speed-dating partisipatif terhadap 17 guru dan 13 siswa yang memberi peringkat pada 34 desain kendali hibrida menemukan kedua kelompok lebih menyukai kendali guru yang kuat selama persiapan dan inisiasi, lalu masukan siswa yang makin besar seiring kolaborasi berlangsung — dan tidak ada kelompok yang pernah lebih menyukai kendali siswa sepenuhnya. Preferensi itu saling mencerminkan: guru menginginkan lebih banyak kendali atas waktu pemasangan pasangan sementara siswa menginginkan sinyal kesiapan diri; siswa memercayai pilihan pasangan oleh guru sementara guru menginginkan suara siswa tentang pasangan. Implikasi desainnya: alokasikan agensi per titik keputusan dan tahap, dengan usulan siswa yang terbatas dan terstruktur divalidasi oleh analitik yang menghadap guru alih-alih penggantian bebas. (Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing)
• Akses ke pilihan tidak sama dengan agensi dalam tindakan: Su, Nair dan Nagashima (2026) merandomisasi 69 mahasiswa universitas ke dalam desain 2 × 2 yang menyilangkan kendali parameter atas simulasi flocking dengan akses ke agen konversasional opsional, dan menemukan tidak ada efek yang dapat diandalkan dari kedua affordance itu terhadap perolehan belajar setelah pengetahuan awal dikendalikan (kendali parameter F(1, 50) = 0.04, p = .849; agen F(1, 50) = 2.68, p = .108). Perolehan mengikuti bagaimana kendali itu digunakan: waktu slider pada pelajaran yang paling kompleks secara konseptual memprediksi perolehan lebih tinggi (β = .11, p = .007) sementara perilaku yang sama pada pelajaran yang lebih mudah memprediksi perolehan lebih rendah (β = −.04, p = .047), dan keterlibatan dengan agen opsional berkisar dari 0 hingga 32 pertanyaan per pembelajar tanpa berhubungan dengan hasil. Para penulis membacanya sebagai agensi yang dijalankan alih-alih diberikan: pertanyaan desainnya adalah apa yang membantu pembelajar memutuskan apa yang layak diubah dan menyadari konsekuensinya.
• Delegasi epistemik dalam riset karier awal: Han and Liu (2026) membingkai ketergantungan AI di kalangan peneliti doktoral dan postdoktoral sebagai delegasi epistemik — pemindahan pembingkaian masalah, pilihan metode, dan otoritas interpretatif kepada sistem cerdas — dan menemukannya berasosiasi negatif dengan efikasi diri riset maupun otonomi riset, dengan dukungan supervisor meredam kehilangan itu. Ini memperluas perdebatan agensi dari otonomi pembelajar ke pembentukan peneliti itu sendiri.
• Otoritas interpretatif sebagai variabel desain (kerangka konseptual). Porath (2026) membingkai ulang pertanyaan siapa-yang-memutuskan sebagai distribusi otoritas interpretatif — siapa yang mendefinisikan masalah, mengevaluasi respons, dan menentukan kapan pemahaman tercapai — memetakan empat konfigurasi nonhierarkis (dominan manusia, asisten AI, direktif AI, kemitraan dialogis) yang dilalui kelas dalam satu tugas, dan mendasarkan pergeserannya pada lima lapisan ekologis dari metakognisi individu hingga narasi sosiokultural. Klaim normatif artikel itu sejalan dengan bukti halaman ini: konfigurasi direktif AI, betapapun canggihnya, dapat menekan pergulatan produktif dan regulasi metakognitif — kapasitas yang sama yang diidentifikasi halaman ini sebagai substrat agensi. Sebagai tulisan konseptual, ia menyumbang kosakata diagnostik, bukan bukti empiris.

Agensi terhubung dengan Regulasi Diri dalam Belajar, Motivasi, Efikasi Diri, Pengalaman Siswa, Kolaborasi Manusia-AI, Etika, Ketergantungan Berlebih, dan Metakognisi. Ini merupakan pertimbangan inti dalam robotika, tutoring, dan desain agen belajar AI.

• Penggunaan terbatas sebagai kendali epistemik, bukan keengganan. Zagami (2026) melaporkan bahwa siswa berprestasi lebih tinggi dalam survei universitas dengan 484 respons menunjukkan keterlibatan AI aktif yang lebih rendah dan dampak pembelajaran yang dipersepsikan yang lebih rendah sambil juga melaporkan disengagement terkait AI yang lebih rendah, dan menggambarkan penggunaan mereka sendiri sebagai intensif verifikasi: keluaran diperiksa, lalu disubordinasikan pada penalaran mereka sendiri. Dibaca sebagai agensi alih-alih penghindaran, polanya adalah penahanan pertimbangan yang disengaja — siswa mempertahankan kepengarangan atas kesimpulan sambil menggunakan alat untuk klarifikasi dan peringkasan.

Kerja batas yang berkelanjutan, bukan keterampilan alat, yang memisahkan agensi dari delegasi: siswa yang menggunakan alat berbasis pengambilan yang sama menghasilkan artefak yang sama rapi baik ketika mereka membatasi dan menulis ulang keluarannya maupun ketika mereka menyerahkan interpretasi lebih awal, sehingga perbedaannya hanya muncul pada prompt, latensi, koreksi, dan penolakan (O'Byrne, 2026).

• Bertindak, mengetahui, dan menjawab bukan hal yang sama. Analisis wacana berbantuan korpus atas 366 abstrak GenAI pendidikan tinggi menyebut AI sebagai aktor 2,050 kali tanpa pernah membuatnya bisa dimintai jawab, sementara tanggung jawab untuk menilai keluaran dan memverifikasi klaim diletakkan pada siswa: aktivasi gramatikal, agensi fungsional, otoritas epistemik, dan akuntabilitas normatif terpisah satu sama lain (Poudyal, 2026).
• Agensi memiliki tiga mode, dan yang ketiga adalah yang disediakan kebijakan. Dengan hanya 18% guru dan 24% kepala sekolah yang melaporkan adanya kebijakan AI sekolah, sebagian besar pendidik menjalankan agensi individual tanpa agensi proksi yang bertindak untuk mereka — mode ketiga Bandura, yang disediakan oleh aturan institusional (Tench, Weinstein & James, 2026).

Agensi sebagai fenomena emergent yang interaksional

Agensi bukan satu kapasitas, dan pembedaan itu bertahan ke dalam praktik yang dimediasi AI. Bergdahl (2026) mensurvei 47 siswa Swedia kelas 7 setelah satu semester pengajaran AI dan menemukan agensi yang diarahkan pada keluaran AI tidak meluas ke sistem yang menghasilkannya. Pemisahan itu bertahan di dalam individu siswa: 79% memiliki rentang skor tiga atau lebih pada sembilan item, dan indeks disosiasi per siswa lebih menyukai keterlibatan yang diarahkan pada keluaran daripada yang diarahkan pada sistem pada 35 siswa berbanding 4 sebaliknya (uji tanda, p < .001). 62% siswa yang paling kritis terhadap sumber tetap menyetujui opsi paling tidak protektif tentang chatbot yang membaca tulisan mereka sendiri, dan hanya satu siswa dalam sampel memilih pendirian privasi tertinggi. Yang krusial, ini diukur satu bulan setelah pelajaran di mana siswa menyaksikan perilaku mereka sendiri yang tercatat diproyeksikan secara langsung — mereka menyebutnya "menakutkan" dan tetap tinggal melewati jam istirahat untuk terus menggunakan platform. Agensi sebagai sifat emergent dan interaksional konsisten dengan ini: ia muncul per praktik alih-alih berpindah antar praktik, dan apa yang diangkat satu pelajaran tidak digeneralisasi ke register yang tidak disinggungnya.

Agensi pembelajar bukan hanya sifat individu yang statis — ia juga merupakan proses emergent yang dibentuk secara interaksional yang dijalankan melalui wacana dan koordinasi kerja kelompok dari momen ke momen. Dalam pembelajaran kolaboratif, agensi didistribusikan dan dinegosiasikan ulang melalui interaksi proses divergen (menghasilkan gagasan, menjelajahi alternatif) dan proses konvergen (mengevaluasi, mengintegrasikan, menyintesis). Pandangan ini penting bagi AI karena sistem AI agensik dapat secara halus mendistribusikan ulang kerja epistemik dan regulatif dalam sebuah kelompok, membentuk ulang siapa yang berkontribusi, siapa yang membentuk arah, dan siapa yang meregulasi kemajuan — sering kali tanpa disadari pembelajar.

• Agensi sebagai kualitas emergent dari konfigurasi kompetensi. Kerangka Kompetensi Kolaborasi Manusia-AI sengaja mengecualikan agensi pembelajar sebagai komponen mandiri dan memperlakukannya sebagai apa yang diekspresikan pembelajar ketika mereka mengoordinasikan kompetensi domain, AI, dan metakognitif — kerja integratif yang oleh TPACK ditugaskan kepada pedagogi beralih ke regulasi metakognitif pembelajar sendiri; di antara 24 pendidik pendidikan tinggi setiap dimensi muncul dalam pembicaraan mereka, dengan domain (12–19% unit terkode) dan AI (16–22%) diunggulkan (Dang et al., 2026).

• Jin et al. (2026) memberikan bukti paling langsung: dalam eksperimen besar (224 siswa, 97 triad) di mana AI beroperasi sebagai rekan tim yang tidak diungkapkan, persona AI yang suportif dan kontrarian tetap mengonfigurasi ulang agensi emergent. AI kontrarian menarik wacana ke lintasan yang berorientasi tantangan dan refleksi (gesekan produktif), sementara AI suportif menstabilkan kesepakatan dan memperbarui ideasi.

• Persona AI sebagai mekanisme tata kelola wacana. Persona kontrarian mengeksternalisasi beban menantang (mendistribusikan ulang kerja epistemik ke arah kritik), sementara persona suportif mengeksternalisasi afirmasi dan pemeliharaan konsensus. Studi ini mengidentifikasi enam profil agensi emergent — yang mencolok, regulasi reflektif secara unik bersifat manusia (AI mengeksternalisasi kritik/afirmasi tetapi bukan pemantauan tingkat meta).

• Biaya afektif dari gesekan. AI kontrarian menurunkan kepuasan kerja tim dan keamanan psikologis tanpa menghasilkan perolehan kinerja kreatif, memisahkan stimulasi epistemik dari keberlanjutan pengalaman. Ini memperingatkan bahwa struktur wacana "produktif" harus ditafsirkan bersama konsekuensi emosionalnya — agensi berkembang hanya dalam iklim yang aman secara psikologis.

• Partisipasi AI yang implisit adalah tata kelola yang tak terlihat. Karena persona bekerja bahkan tanpa pengungkapan AI, studi ini memosisikan desain persona sebagai bentuk tata kelola tak terlihat atas proses kolaboratif — temuan dengan implikasi langsung bagi asisten menulis, sistem Penilaian Sejawat, dan platform kerja tim yang dapat membentuk kontribusi tanpa mengumumkan kehadirannya.

• Tiga pola agensi dalam penilaian berbasis kelompok. Chen and Zou (2026) mewawancarai 15 kelompok fokus guru prajabatan tentang presentasi kelompok autentik dan menemukan agensi beroperasi dalam tiga arah sekaligus: lima kelompok mengintensifkan penggunaan GenAI sebagai infrastruktur koordinasi (agensi berorientasi kerja sama — mendekode bagian teman, menyelaraskan bagian, melindungi nilai bersama), tujuh menahannya (agensi normatif — batas yang ditarik untuk melindungi keaslian, keadilan, orisinalitas, dan keragaman perspektif), dan tiga tidak pernah mengubah praktik dari kerja individual (agensi yang tidak dijalankan, di mana kapabilitas individu tidak pernah dimobilisasi secara kolektif). Pembedaan mereka penting karena penahanan di sini adalah regulasi diri normatif alih-alih kepatuhan atau disengagement, dan karena kapabilitas saja tidak menghasilkan agensi kolektif. Keanggotaan kelompok juga membalik akuntabilitas yang seharusnya diciptakan kerja kelompok: iklim kolektif yang permisif menurunkan risiko penyalahgunaan yang dipersepsikan alih-alih menaikkan komitmen.

• Agensi sebagai kedirian relasional. Xie (2026) menantang model individualis agensi yang menurutnya bahkan dikandaikan oleh kritik terhadap AI. Dengan bersandar pada kedirian relasional Daois — diri yang "mengalir dan heterogen" yang terbentuk melalui relasi dengan orang lain dan kosmos — ia menyimpulkan bahwa kesenjangan digital atau diskriminasi algoritmik adalah "pelanggaran atas konstitusi fundamental diri," menjadikan kesetaraan akses ke pembelajaran "bukan sekadar perintah etis melainkan suatu keniscayaan ontologis," dan bahwa kekuasaan asimetris serta biaya lingkungan adalah "dimensi integral dari diri" alih-alih eksternalitas. Ideal kontranya, "Zhenren" atau pembelajar alami, memperlakukan AI sebagai "adjung instrumental" alih-alih pengganti kognitif — agensi sebagai keutuhan yang dibudidayakan, bukan optimasi tanpa gesekan.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Untuk lingkungan kolaboratif, ini membingkai ulang pertanyaan desain: bukan apakah AI dapat berpartisipasi sebagai rekan tim, melainkan bagaimana partisipasinya yang berpola menyeimbangkan ketelitian epistemik, keamanan emosional, dan rasa kepemilikan pembelajar. Gesekan terbatas (tantangan yang dibatasi, dipasangkan dengan gerakan integratif dan perbaikan) serta literasi meta-kolaboratif yang eksplisit adalah pagar pengaman yang direkomendasikan.

Pembacaan struktural atas agensi muncul dalam kerangka penilaian yang menyenangkan dari El Khoury dan Ma, di mana agensi diperlakukan sebagai sifat desain alih-alih motivasi: siswa memilih urutan tugas, menetapkan tempo, dan menandakan kapan suatu interaksi berakhir, sehingga dukungan tersedia sementara tanggung jawab atas pekerjaan tetap pada pembelajar. Mekanisme yang mereka sebut adalah penilaian — berlatih tanpa penonton dan memilih kapan memulai menggeser makna suatu tugas, dari putusan menjadi sesuatu yang dapat dibentuk siswa — dan mereka berargumen pengalaman berulang atas pergeseran itulah yang menetapkan perasaan sesekali akan efikasi menjadi pendirian sehari-hari terhadap penilaian.

• "Menggunakan AI lebih banyak mengurangi rasa kepengarangan siswa." Tidak secara linear. Dalam studi esai terinstrumentasi, kepemilikan yang dipersepsikan hanya turun pada kelompok yang mendelegasikan seluruh esai, sementara siswa yang menggunakan model untuk perencanaan atau untuk meninjau menyamai kepemilikan siswa yang tidak pernah membukanya. Kelompok yang sama juga mendapat skor lebih tinggi pada keterbacaan esai, sehingga artefaknya tampak lebih baik sementara kepengarangannya menipis. Agensi mengikuti bagaimana alat itu digunakan alih-alih apakah itu digunakan. Kepengarangan adalah fungsi delegasi, bukan fungsi penggunaan.

Agensi vs. identitas pembelajar

Identitas pembelajar dan agensi pembelajar mudah dikacaukan, namun keduanya menamai hal yang berbeda — dan keduanya dibentuk ulang oleh AI.

• Agensi dijalankan; identitas dihuni. Agensi adalah kapasitas situasional untuk bertindak secara sengaja dan mengarahkan pembelajaran sendiri saat ini — sifat variabel dan interaksional. Identitas adalah rasa naratif yang lebih tahan lama tentang siapa diri seseorang dan sedang menjadi apa sebagai pembelajar. Agensi adalah proses; identitas adalah keadaan berada yang terakumulasi darinya.
• Identitas adalah agensi yang terinternalisasi. Tindakan agensial yang berulang — memilih, menulis, bertahan — adalah cara pembelajar mulai melihat diri mereka sebagai orang yang agensial dan kompeten. Identitas adalah sedimen agensi melintasi waktu, diperkuat oleh pengakuan dan rasa memiliki.
• Mode kegagalan yang berbeda. Agensi terkikis oleh ketergantungan berlebih dan penerimaan pasif (pembelajar berhenti mengarahkan penalaran); identitas terkikis oleh hilangnya kepengarangan dan ancaman kompetensi (pembelajar berhenti merasa keluarannya miliknya, atau bahwa ia termasuk dalam domain itu). Redistribusi implisit kerja epistemik oleh AI terutama merupakan persoalan agensi; paradoks kompetensi dalam bidang kreatif terutama merupakan persoalan identitas.
• Keduanya harus dirancang untuk. Desain berorientasi agensi mempertahankan kendali dan pilihan (gesekan terbatas, pengawasan manusia-dalam-lup, transparansi); desain berorientasi identitas melindungi kepengarangan dan pengakuan (penilaian autentik, atribusi jelas atas kontribusi AI vs. manusia, tugas yang memungkinkan pembelajar mengklaim suatu domain). Melindungi agensi tanpa melindungi kepengarangan mempertahankan kendali tetapi bukan harga diri — dan sebaliknya.

Pembedaan antara agensi yang dijalankan dan identitas yang stabil berlaku juga pada penolakan. Seperti digambarkan Zagami (2026), menolak chatbot untuk penulisan yang dinilai, melarangnya untuk penalaran tanpa bantuan, menolak triase otomatis dalam dukungan siswa, atau menunda pengadaan adalah relasi yang terpisah terhadap sistem yang terpisah, mencakup tingkat personal, pedagogis, profesional, administratif, dan institusional alih-alih satu disposisi yang tahan lama. Hak itu dialokasikan secara tidak merata: siswa dengan kepercayaan akademik dapat menolak tanpa penalti, sementara mereka yang membutuhkan dukungan bahasa, aksesibilitas, atau umpan balik cepat membaca penolakan sebagai peluang yang hilang, dan akademisi mapan menolak berdasarkan prinsip sementara staf kontrak merasa tertekan untuk mengadopsi. Ketika AI berada dalam infrastruktur, penolakan berpindah dari opt-out individual ke pengadaan, audit, dan keterbantahan.

• Penolakan sebagai konstruksi identitas, bukan sekadar keputusan (siswa kulit berwarna dalam pembelajaran magang). Gyekye (2026) mewawancarai lima siswa magang sekolah menengah selama 9 bulan dan menemukan mereka menulis diri mereka melalui AI dalam tiga gerakan: penolakan (non-penggunaan sebagai penyelarasan institusional), negosiasi (memperbaiki ketidakcocokan institusional, privasi sebagai abstraksi yang jauh), dan pengakuan (menyamakan keadilan dengan ketiadaan bias yang terlihat — "kerataan kultural" di mana identitas mereka tidak terwakili dalam respons AI). Dua konsep interpretatif studi itu — Literasi AI Institusional dan Bandwidth Pengakuan — menamai kapasitas membuat penggunaan AI dapat dibaca secara institusional dan ruang yang dimiliki siswa untuk melihat diri mereka diakui dalam keluaran AI. Ini penyelidikan naratif satu program dengan lima siswa; kontribusinya adalah menunjukkan bahwa penggunaan, pembatasan, dan penolakan AI terikat dengan bagaimana pembelajar memahami diri mereka sebagai penulis dan profesional yang sedang tumbuh.

Kerangka Agensi-Bersama Ekologis: agensi sebagai masalah desain epistemik

Poudyal (2026) membingkai ulang agensi pembelajar sebagai persoalan fundamental yang epistemik: AI generatif tidak sekadar menambahkan alat melainkan menugaskan ulang otoritas epistemologis — kemampuan menghasilkan pengetahuan, memvalidasi klaim, dan menciptakan bukti pembelajaran — dari guru ke siswa ke mesin. Kerangka Agensi-Bersama Ekologis dalam makalah itu memperlakukan agensi-bersama sebagai hubungan antara tiga dimensi yang saling bergantung, semuanya dibatasi oleh kondisi akuntabilitas epistemik manusia yang tidak dapat dinegosiasikan:

• Agensi-bersama relasional — agensi sebagai produk interaksi antara siswa, alat, dan konteks, yang menuntut pembagian transparan tentang tugas mana yang didelegasikan ke AI dan mana yang dipertahankan, plus agensi-bersama etis di mana manusia mempertahankan akuntabilitas utama dan bertindak dalam kapasitas pemantauan.
• Agensi-bersama regulatif — memetakan siklus pembelajaran teregulasi diri (forethought, kinerja, refleksi) ke mediasi AI. Apakah GenAI masuk sebelum atau sesudah upaya pembelajar menentukan apakah ia memperkuat atau mengikis kendali yang dipersepsikan; Offloading Kognitif strategis mendukung pembelajaran transformatif hanya ketika keputusan offloading bersifat sengaja alih-alih rutin.
• Agensi-bersama pedagogis — menempatkan guru di pusat, bergerak sepanjang kontinum pengamat–pengadopsi–kolaborator–inovator yang bergantung pada dukungan institusional, bukan disposisi individu.

Kondisi batas kerangka itu menuntut keterbantahan (kemampuan mempertanyakan dan memeriksa silang keluaran AI), provenans (mengetahui dari mana data pelatihan dan keluaran berasal), dan non-delegasi kredit moral dan intelektual (penilaian berisiko tinggi tentang kesejahteraan siswa, status akademik, dan nilai tidak boleh ditentukan semata-mata oleh AI). Ini memberi pendidik dan pembuat kebijakan kosakata yang lebih tepat daripada "keseimbangan" yang kabur antara kontribusi manusia dan artifisial, menghubungkan agensi dengan Etika, Penilaian, Keadilan, dan Tata Kelola AI.

Pembingkaian yang erat terkait adalah agensi epistemik relasional (Du & Yuan 2026), yang setuju bahwa agensi dimungkinkan secara sosial dan dimediasi secara teknologi alih-alih soal isolasi dari ketergantungan. Di mana Kerangka Agensi-Bersama Ekologis menekankan akuntabilitas epistemik manusia sebagai batas yang tidak dapat dinegosiasikan, Du dan Yuan mempertahankan asimetri eksplisit: sistem AI dapat membentuk dan memperluas penalaran tanpa memiliki tanggung jawab timbal balik atau otoritas yang sah. Enam kriteria diagnostik mereka — keterbantahan, keterpulihan, transfer, keterlacakan, tanggung jawab terdistribusi, dan pluralitas epistemik — menyediakan uji praktis untuk kapan relasi manusia–AI mempertahankan kapasitas pembelajar untuk berpartisipasi dalam bagaimana klaim dibentuk, dinilai, dan diterima, versus ketika ia sekadar mengantarkan produk. Agensi dalam pandangan ini bukan kemandirian dari alat melainkan kapasitas menilai secara bertanggung jawab dengan, melalui, dan terhadap sistem yang memediasi pengetahuan.

• Agensi yang didelegasikan sebagai mekanisme, bukan hanya risiko. Yan and Gašević (2026) memperlakukan delegasi kerja kognitif ke AI sebagai bagian dari bagaimana pembelajaran terjadi, bukan sekadar ancamannya: dalam pandangan mereka kinerja berbantuan menjadi kapabilitas yang tahan lama hanya ketika pembelajar mempertahankan tanggung jawab untuk membingkai masalah, menetapkan kriteria, dan membenarkan jawaban, pembagian kerja yang mereka sebut agensi terdelegasi. Itu menjadikan alokasinya sendiri sebagai variabel desain, karena alat yang sama dapat mempertahankan atau melarutkan agensi pembelajar tergantung tanggung jawab mana yang diserapnya.

Miskonsepsi umum

• "Siswa menjalankan agensi ketika mereka menggunakan AI secara bebas." Skema 14 kategori yang mengodekan 6,788 giliran berbantuan ChatGPT menempatkan 59% giliran siswa kelas tujuh ke dalam kategori yang tidak merepresentasikan penggunaan agensial. Volume penggunaan dan agensi adalah ukuran yang berbeda.
• "Model saat ini mendukung agensi pembelajar dengan baik." Diuji pada sepuluh model, mendukung agensi adalah area terlemah mereka setelah pembelajaran: ImpactBench mengukur Agency and Purpose pada 56.0% untuk kriteria positif. Agensi adalah dimensi yang paling kurang ditangani sistem AI, bukan produk sampingan kapabilitas.
• "Mediasi guru adalah kendala bagi agensi." Canonigo (2026) mengikuti sepuluh guru matematika sekolah menengah sepanjang intervensi ChatGPT-4 selama delapan minggu dan mediasi adalah mekanismenya alih-alih hambatannya.

Konsep terkait

• Pembelajar — Pembelajar: payung bagi konsep-konsep sisi pembelajar
• Kemitraan Pedagogis — Kemitraan Pedagogis
• Identitas Pembelajar — identitas pembelajar disipliner, profesional, kreatif, dan akademik yang berkembang
• Pembelajaran Mandiri
• Regulasi Diri dalam Belajar
• Motivasi
• Efikasi Diri
• Pengalaman Siswa
• Metakognisi
• Etika
• Offloading Kognitif
• Robot dalam Pendidikan
• Behaviorisme
• Membingkai Penggunaan AI bagi Siswa
• Kolaborasi Manusia-AI — arah bersama interaksi yang dimediasi AI
• AI Agensik — AI otonom yang dapat mendistribusikan ulang agensi dalam kelompok
• Pendidikan Kimia — Pendidikan kimia dan AI: laboratorium, penilaian formatif, batas LLM, filsafat eksperimentasi
• Pembelajaran Sosial-Emosional — Pembelajaran Sosial-Emosional
• Penyerahan Kognitif

Artikel terkait

• An AI Policy Isn't a Playbook: Educators Need Agency, Not Just New Rules — Survei representatif nasional terhadap guru dan kepala sekolah AS tentang cakupan kebijakan AI, agensi, dan lima permainan kelas (Tench, Weinstein & James 2026)

• A helping hand or a dominant partner? Individual perceptions of GenAI reliance and human agency in collaborative learning — Tangan yang membantu atau mitra yang mendominasi? Persepsi individu atas ketergantungan GenAI dan agensi manusia dalam pembelajaran kolaboratif

• Agentivism: a learning theory for the age of artificial intelligence — Teori belajar jangkauan-menengah untuk interaksi manusia-AI, dengan empat mekanisme dan enam proposisi yang dapat diuji (Yan and Gašević 2026)

• Conceptualising Human–AI Collaboration Competency for hybrid intelligence: towards learner agency — Agensi pembelajar sebagai kualitas emergent dari pengoordinasian kompetensi domain, AI dan metakognitif, bukan simpul mandiri (Dang et al. 2026)

• Exploring learner agency in an AI-supported simulation environment for complex systems education — Akses ke pilihan vs. agensi yang dijalankan: slider, agen AI opsional dan pembelajaran dalam simulasi flocking

• Guarded adoption of generative AI in higher education: high-achieving students, successful-student identity, and epistemic agency in a single-university mixed-methods survey — Adopsi Berjaga-jaga atas AI Generatif di Pendidikan Tinggi

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Agen AI, penilaian yang menyenangkan, dan ruang ketiga

• AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training — Pembentukan agensi riset yang dimediasi AI dalam pelatihan ilmiah karier awal

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Offloading kognitif sensitif-lapisan dalam penulisan berbantuan GenAI (Chen 2026)

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — Pengajaran AI di sekolah mempersempit kesenjangan kesiapan psikologis tetapi tidak kognitif

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Epistemic Dependence in AI-Mediated Learning — Agensi epistemik relasional dan enam kriteria yang memisahkan ketergantungan produktif dari ketergantungan yang merugikan (Du & Yuan 2026)

• Design Principles and Observable Indicators for AI-Enabled Pedagogical Accompaniment: Evidence from the Amico Dual-Mode Prototype in Italy and China — Pendampingan pedagogis berbantuan AI yang mendukung identitas STEM

• The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — Paradoks kompetensi: identitas kreatif dalam penggunaan GenAI text-to-image

• Emergent Learner Agency in Implicit Human-AI Collaboration: How Supportive and Contrarian AI Personas Reshape Interaction — Agensi pembelajar emergent dalam kolaborasi manusia-AI implisit: persona suportif vs. kontrarian

• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — Agensi pembelajar lintas skala: regulasi, integrasi, posisi

• Control vs. Agency: Exploring the History of AI in Education — Kendali vs. agensi sebagai ketegangan esensial dalam sejarah AIED

• Alternative AI Philosophy: Daoism as Method for AI in Education — Filosofi AI Alternatif: Daoisme sebagai Metode bagi AI dalam Pendidikan

• Human Autonomy and Sense of Agency in Human-Robot Interaction: A Systematic Literature Review — Otonomi dan Agensi Manusia dalam HRI

• RoboBlockly Studio: Conversational Block Programming With Embodied Robot Feedback for Computational Thinking — RoboBlockly Studio

• Teachy Mini: Development and Preliminary Evaluation of a Knowledge-Based Generative Social Robot for Higher Education — Teachy Mini

• Knowledge-Based Design Requirements for Generative Social Robots in Higher Education — Desain Berbasis Pengetahuan untuk Robot Sosial Generatif

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Menumbuhkan agensi siswa dalam pekerjaan yang relevan dengan pembelajaran

• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — Teori Tri-Sistem dan penyerahan kognitif: bagaimana AI membentuk ulang penalaran manusia (Shaw & Nave 2026)

• Pre-service teachers' agency during their interactions with generative AI while designing for learning - a process view — Agensi guru prajabatan selama interaksi GenAI dalam desain untuk pembelajaran (Krushinskaia, Elen & Raes 2026)

• An Emancipatory Vision for Designing (Generative) AI for Learner Flourishing — Visi emansipatoris: agensi sebagai zero-sum dengan agensi alat

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Tiga pola agensi dalam penilaian kelompok yang dimediasi GenAI: diintensifkan, ditahan, dan tidak dijalankan

• ‘Resistance is futile?’: identity tensions and principled selectivity in AI-integrated teaching — Selektivitas berprinsip sebagai agensi guru dalam pengajaran terintegrasi AI (Adiozaman & Segar 2026)

• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — Penolakan sebagai bukti diagnostik: non-penggunaan sebagai relasi situasional dan hak yang tidak merata untuk menolak AI (Zagami 2026)

• Co-Constructing AI Boundaries: Agency, Judgment, and Ethical Literacy in AI-Mediated Meaning-Making — otoritas epistemik yang ditegaskan melalui interupsi, koreksi dan penolakan alih-alih penggunaan alat yang maksimal

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Siapa yang Bertindak, Siapa yang Mengetahui, Siapa yang Menjawab? Analisis Wacana Berbantuan Korpus atas Agensi, Tanggung Jawab Epistemik, dan Akuntabilitas dalam Riset AI Generatif Pendidikan Tinggi

• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Pertanyaan Terbuka Menuju Ketergantungan yang Menjaga Keterampilan dalam Keterlibatan AI Reflektif

• From Competency to Agency: Teachers' Views of the Purposes of AI Education — Kompetensi vs. agensi sebagai tujuan pendidikan AI, dan heuristik agensi AI yang terinformasi (Fagerlund et al. 2026)

• Teacher Mediation and the Contingent Promise of Generative AI in Mathematics Education — Mediasi guru sebagai kondisi yang menjaga GenAI tetap menjadi artefak untuk dikritik alih-alih otoritas (Canonigo 2026)

• Teacher Readiness-By-Design for AI-Rich Interactive Learning — Agensi guru sebagai sumber daya yang dimobilisasi melalui desain, dengan kesiapan dinilai dari artefak alih-alih penggunaan (Charles 2026)

• Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing — Menyeimbangkan agensi guru dan siswa dalam alat ko-orkestrasi untuk pemasangan pasangan dinamis waktu-nyata (Yang et al. 2026)

• Who Makes the Meaning? Interpretive Authority in AI-Mediated Education — Matriks Otoritas Interpretatif dan Model Integrasi Otoritas Ekologis: empat konfigurasi siapa yang menafsirkan, dan lapisan ekologis yang menggesernya

• Constructing Selves in AI-Mediated Apprenticeship Learning: Students of Colour's Narratives of Agency, Recognition and Negotiation — Siswa kulit berwarna dalam program magang menulis diri mereka melalui AI lewat penolakan, negosiasi, dan pengakuan ("kerataan kultural"); Literasi AI Institusional dan Bandwidth Pengakuan

• Investigating Secondary School Students’ Shared Epistemic Agency with GAI in Online Scientific Explanation Writing — Agensi epistemik bersama dalam 6,788 giliran berbantuan ChatGPT pada penulisan sains sekolah menengah (Chang et al

• An Empirical Study to Understand How Students Use ChatGPT for Writing Essays — Kepemilikan yang dipersepsikan hanya turun ketika seluruh esai didelegasikan; pengguna untuk perencanaan dan peninjauan menyamai non-pengguna (Jelson et al. 2026)