Penyalahgunaan AI dan Kerugian Pembelajaran

Di halaman ini

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

Penyalahgunaan AI dan kerugian pembelajaran — hubungan kausal antara siswa yang mengalihkan kerja kognitif ke AI generatif dan berkurangnya pembelajaran yang bertahan lama, bahkan ketika kinerja tugas langsung meningkat. Ciri penentunya adalah celah kinerja–pembelajaran: AI menggelembungkan kinerja terbantu sambil menurunkan hasil tanpa bantuan, tutup buku, dan retensi.

Pertanyaan yang Perlu Dipertimbangkan

Seorang siswa dapat tampil lebih baik pada saat itu sambil belajar lebih sedikit seiring waktu — AI dapat menaikkan kinerja terbantu sambil menurunkan capaian tanpa bantuan di kemudian hari. Kapan Anda pernah merasa 'belajar' sesuatu yang lenyap begitu alatnya tiada?
Temuan sentralnya adalah celah kinerja–pembelajaran: siswa yang memakai tutor AI tanpa pagar pengaman memperoleh skor 48% lebih tinggi pada latihan tetapi 17% lebih rendah pada ujian tutup buku. Bagaimana itu mengubah cara Anda menafsirkan nilai tinggi yang diperoleh dengan bantuan AI?
Penyalahgunaan adalah soal substitusi — mendelegasikan penyusunan draf, pengingatan, atau analisis yang membangun pemahaman bertahan — alih-alih memakai AI sebagai pelengkap. Di mana Anda akan menarik batas antara AI yang membantu Anda belajar dan AI yang belajar untuk Anda?
Siswa dalam kelompok yang dirugikan tidak merasa belajar lebih sedikit. Jika pembelajar tidak dapat mengetahui bahwa mereka dirugikan, apa yang seharusnya diperhatikan instruktur alih-alih memercayai laporan diri siswa?
Kerugiannya selektif menurut jenis penilaian: ia muncul pada ukuran terawasi dan tutup buku tetapi dapat tersembunyi ketika tugas kuliah tidak dapat membedakan kerja berbantuan AI dari kerja mandiri. Jenis penilaian seperti apa yang benar-benar akan mengungkap apakah siswa belajar?
AI berpagar pengaman yang 'memberi petunjuk, bukan jawaban' menghapus kerugiannya sambil mempertahankan manfaatnya. Apa yang diperlukan untuk merancang bantuan AI yang mendukung belajar tanpa menjadi tongkat penopang?

Pendahuluan

Penyalahgunaan AI berbeda dari penggunaan AI. Penggunaan menggambarkan pemakaian AI sebagai pelengkap belajar — Umpan Balik, curah gagasan, atau bantuan revisi yang menjaga kerja kognitif pembelajar tetap dalam lingkar. Penyalahgunaan menggambarkan substitusi: mendelegasikan kepada AI justru proses mental (menyusun draf, mengingat, menganalisis, merevisi) yang membangun pemahaman bertahan. Yang didokumentasikan basis bukti bukanlah bahwa penyalahgunaan gagal menolong, melainkan bahwa ia aktif menurunkan capaian tanpa bantuan di kemudian hari.

Kerugian yang diantisipasi pun terdokumentasi: dalam data survei dan kelompok fokus Swedia, Gillette et al. (2026) menemukan 51% peserta (n = 106) khawatir penggunaan genAI dapat menghambat perkembangan individu, dengan menyebut kerugian pada berpikir kritis, kreativitas, dan otonomi alih-alih pelanggaran aturan.

Celah kinerja–pembelajaran

Konsep intinya, diuraikan dalam Distinguishing performance gains from learning when using generative AI, adalah bahwa AI generatif mudah menaikkan kinerja — efisiensi langsung dan mutu keluaran — sementara sering melewati pemrosesan kognitif dan metakognitif mendalam yang dibutuhkan untuk belajar. Alat yang mengoptimalkan kinerja karena itu dapat melemahkan belajar. Celah itu kini ditunjukkan secara kausal pada skala lapangan: sebuah uji acak terkendali menemukan bahwa bantuan AI tanpa pagar pengaman menaikkan kinerja latihan tetapi menurunkan skor ujian tanpa bantuan di kemudian hari.

Mekanisme kerugian

Penyerahan Kognitif — istilah yang dipakai para peneliti untuk siswa yang mengalihkan berpikir ke AI sebagai dependensi pasif dan tanpa renungan, berbeda dari bentuk Offloading Kognitif yang sengaja dan strategis. Ia menghasilkan penurunan pengetahuan bertahan yang terukur pada tingkat populasi.
Menyalin jawaban sebagai tongkat penopang — penyalahgunaan lebih didorong oleh siswa yang menyalin jawaban alih-alih belajar daripada oleh kesalahan AI yang menyesatkan siswa. Ketika analisis keterlibatan menunjukkan siswa sebagian besar "meminta jawabannya", kerugian pembelajaran menyusul.
Erosi motivasi — persepsi tersedianya jalan pintas AI yang tanpa usaha mengurangi motivasi otonom dan ketekunan, menurut teori determinasi diri. Karena ketekunan itulah yang menghasilkan pembelajaran mendalam, erosinya memperbesar kerugian langsung.
Pergeseran pembelajaran — substitusi keluaran AI atas proses yang menuntut usaha (elaborasi, pengingatan, penjelasan diri) yang mengonsolidasikan pengetahuan, konsisten dengan Ketergantungan Berlebih.
Kebingungan yang dibaca sebagai niat. Ketika instruktur tidak menyebutkan peran AI yang dimaksudkan dalam sebuah tugas, siswa mendefinisikannya menurut apa yang paling mudah, dan dosen membaca ketidaksesuaian yang dihasilkan sebagai kecurangan alih-alih sebagai batas yang tidak pernah dinyatakan (Hanshaw et al., 2026).

Basis bukti

Uji acak terkendali lapangan yang kausal (≈1,000 siswa matematika sekolah menengah): tutor bergaya ChatGPT tanpa pagar pengaman menaikkan kinerja latihan terbantu +48% tetapi menurunkan skor ujian tutup buku tanpa bantuan −17% — siswa yang tidak pernah memiliki akses AI tampil lebih baik daripada yang memilikinya. Tutor berpagar pengaman yang "memberi petunjuk, bukan jawaban" menghapus kerugiannya. Yang penting, siswa dalam kelompok yang dirugikan tidak merasa belajar lebih sedikit.
Data perilaku skala populasi (3.2M interaksi ALEKS): waktu belajar pada soal yang rentan AI turun −26.9% secara kumulatif bagi mahasiswa (sekolah menengah −31.3%) setelah rilis ChatGPT, disertai −25% pada peluang respons yang benar untuk butir retensi terawasi. Efeknya lenyap sepenuhnya di bawah pengawasan, sehingga menempatkannya pada penggunaan AI di luar platform.
Hasil nol yang besar: memanfaatkan penurunan musiman penggunaan ChatGPT selama musim panas menunjukkan tidak ada perubahan bersih pada rata-rata tes terstandardisasi sekolah menengah — kemungkinan karena kerugian penyalahgunaan diimbangi secara agregat oleh penggunaan AI yang produktif. Ini tidak bertentangan dengan kerugian kausal bagi pembelajaran bertahan; ia memperingatkan agar tidak menggeneralisasi berlebihan dari skor tes agregat.

Dependensi sebagai jalur menuju kelelahan

Penyalahgunaan merugikan lebih dari capaian. Survei terhadap 276 mahasiswa sarjana Tiongkok (Huang et al., 2026) memodelkan dependensi AI sebagai mediator antara sumber daya pembelajar yang protektif dan kelelahan belajar, dan menemukan bahwa dependensi itu membawa seluruh efeknya: efikasi diri akademik dan, lebih lemah, dukungan guru keduanya menurunkan dependensi AI, yang pada gilirannya memprediksi kelelahan. Kedua jalur tidak langsung signifikan dan memediasi sepenuhnya — efek langsung menjadi tidak signifikan begitu dependensi masuk ke dalam model — dengan jalur efikasi diri yang lebih kuat di antara keduanya. Dibaca berdampingan dengan celah kinerja–pembelajaran di atas, hasilnya memperluas biaya penyalahgunaan dari pengetahuan bertahan yang menurun ke kelelahan dan ketidakterlibatan pembelajar, dan menempatkan mekanismenya pada dependensi itu sendiri alih-alih pada penggunaan AI sebagai demikian: sumber daya yang melindungi dari penyalahgunaan tampaknya bekerja dengan mencegah dependensi, bukan dengan menetralkan efeknya setelahnya. Para penulis menandai satu catatan pengukuran — AI Dependency Scale mereka diadaptasi dari Internet Addiction Test dan validitas isinya untuk AI belum ditetapkan — sehingga jalur itu lebih baik diperlakukan sebagai hipotesis yang dimodelkan baik daripada ukuran efek yang mapan.

Sifat kerugian yang bergantung pada penilaian

Nuansa praktis terpenting: kerugiannya selektif menurut jenis penilaian. Ia muncul pada ukuran pengetahuan bertahan yang terawasi, tutup buku, dan tanpa bantuan. Pada tugas kuliah bernilai biasa yang tidak dapat membedakan kerja berbantuan AI dari kerja mandiri, penyalahgunaan dapat menggelembungkan nilai langsung. Itulah sebabnya celah persepsi versus aktual berbahaya: siswa (dan kadang instruktur) melihat keuntungan kinerja jangka pendek dan melewatkan erosi pembelajaran yang hanya muncul ketika alatnya diambil.

Ketergantungan yang mana, bukan seberapa banyak. Survei terhadap 118 siswa di 12 mata kuliah padat AI (Manikonda et al. 2026) memisahkan dua perilaku yang dilebur oleh ukuran frekuensi penggunaan. Ketergantungan kognitif — memakai GenAI untuk mengorganisasi, mengevaluasi, menggabungkan, dan menguraikan — adalah prediktor terkuat dampak positif yang dipersepsikan (β = .495, p < .001), dan offloading yang digambarkannya tidak selalu merugikan: mengorganisasi dan merangkum gagasan serta menemukan wawasan baru termasuk di antara fitur yang dikaitkan dengan pembelajaran yang dipersepsikan lebih baik. Ketergantungan dini — berkonsultasi dengan GenAI sebelum berpikir mandiri, pencarian tradisional, atau instruktur — memprediksi manfaat akademik (β = .301, p < .001) dan dampak negatif (β = .402, p = .004) sekaligus. Moderasi itulah bagian yang bersinggungan dengan remedi literasi di atas: asosiasi antara ketergantungan dini dan dampak negatif tidak ada pada literasi evaluasi yang rendah (b = .025, p = .861) dan terkuat di antara siswa yang paling baik menilai keluaran AI (b = .688, p < .001), sehingga keterampilan evaluatif tidak melindungi dari biaya bertanya kepada AI lebih dahulu — siswa yang paling siap menyadari biayanya justru yang melaporkannya. Implikasi operasionalnya: penyalahgunaan sebagian soal waktu relatif terhadap upaya pembelajar sendiri, bukan hanya volume, itulah sebabnya intervensi yang menyasar kapan AI dikonsultasikan berdampingan dengan remedi desain penilaian di bawah.

Implikasi dan remedi

Pagar Pengaman alih-alih akses mentah: prompt yang memberi petunjuk, bukan jawaban, dan Perancah yang disusun guru menetralkan efek tongkat penopang (lihat Generative AI without guardrails can harm learning: Evidence from high school mathematics).
Desain penilaian: penilaian yang tahan AI serta terawasi/tanpa bantuan dibutuhkan untuk menyingkap — dan mencegah — penyalahgunaan.
Literasi dan metakognisi: pelatihan Literasi AI dan Regulasi Diri dalam Belajar yang membantu siswa mengenali pola ketergantungan dan biaya melewati kerja kognitif mereka sendiri.

Ketidakterlibatan percakapan di era LLM

Literatur tentang mengakali sistem (penyalahgunaan petunjuk, menebak secara sistematis) memiliki padanan di era dialog: ketidakterlibatan percakapan — mengejek agen, sengaja menjawab salah, membiarkannya tanpa respons, menirukan teksnya, atau menahan respons. Rho et al. (2026) memberi fenomena ini perlakuan sistematis pertamanya dalam dialog siswa–AI, dan pelajaran sentralnya bersifat interpretatif alih-alih alarmis. Giliran yang tidak terlibat adalah langkah interaksional, bukan keadaan ketidakterlibatan yang stabil. Asosiasi yang tampak antara False Answering dan skor pascates tidak bertahan pada uji sensitivitas yang dianotasi manusia, dan para penulisnya membacanya sebagai penjajakan di dalam lintasan yang sering kembali ke keterlibatan (klaster berkinerja tertinggi pulih pada p = 0.42). Perilaku yang benar-benar memisahkan lintasan adalah Withholding — penolakan untuk merespons, yang bertahan alih-alih terselesaikan. Bagi perancang, ini membalik prioritas yang lazim: ketidakterlibatan yang berisik dan terlihat sering mengoreksi sendiri, sementara penarikan diri yang tenang menandakan bahwa interaksi telah runtuh.

Miskonsepsi Umum

"Siswa akan menyadari jika AI merugikan pembelajaran mereka." Mereka tidak menyadarinya, dan ini adalah fakta paling berkonsekuensi di halaman ini: siswa dalam kelompok yang dirugikan tidak merasa bahwa mereka belajar lebih sedikit. Laporan diri karena itu bukan sinyal peringatan dini yang dapat dipakai. Pola latihan 48% lebih tinggi / ujian 17% lebih rendah tidak terlihat oleh orang yang mengalaminya, itulah sebabnya deteksi kerugian harus berbasis pengukuran alih-alih berbasis kesaksian.

"Risikonya adalah seberapa banyak AI yang dipakai seorang siswa." Risikonya adalah apa yang digantikan oleh AI. Penyalahgunaan di sini berarti mendelegasikan penyusunan draf, pengingatan, atau analisis yang membangun pemahaman bertahan — substitusi alih-alih pelengkap, dan seorang siswa dapat mensubstitusi secara berat pada satu tugas dan melengkapi secara produktif pada tugas berikutnya. Volume penggunaan adalah variabel yang salah; pembagian kerja kognitif adalah yang benar.

"Jika kinerja latihan membaik, alatnya bekerja." Dalam uji acak terkendali lapangan yang kausal terhadap sekitar 1,000 siswa matematika sekolah menengah, tutor bergaya ChatGPT tanpa pagar pengaman menaikkan kinerja latihan terbantu +48% sambil menurunkan skor ujian tutup buku tanpa bantuan sebesar 17%. Arahnya berlawanan, sehingga evaluasi apa pun yang membaca angka latihan sebagai hasil akhir akan mensertifikasi justru kerugian yang seharusnya dideteksinya.

"Pembelajar yang memakai AI terutama khawatir ketahuan." Kekhawatiran yang mereka nyatakan bersifat perkembangan. Dalam satu studi 51% peserta (n = 106) khawatir penggunaan GenAI dapat menghambat perkembangan individu, dengan menyebut kerugian pada berpikir kritis, kreativitas, dan otonomi alih-alih pelanggaran aturan. Bingkai integritas yang mendominasi wacana institusional bukanlah bingkai yang dijangkau siswa sendiri.

Implikasi bagi Praktik

Bagi instruktur

Jangan tanyakan kepada siswa apakah alat itu membantu; ukurlah kinerja tanpa bantuan. Laporan subjektif kelompok yang dirugikan melegakan dan keliru.
Rancang untuk pelengkap alih-alih substitusi, tugas demi tugas, dengan menyebutkan apa yang harus dihasilkan siswa sebelum AI boleh dipakai.
Perhatikan nilai latihan yang naik bersamaan dengan skor tanpa bantuan yang datar atau turun — divergensi itulah tanda yang perlu ditindaklanjuti, bukan masalah mutu data.
Tanggapi kekhawatiran perkembangan itu dengan serius dalam pembingkaian. Siswa yang mengangkat kerugian berpikir kritis dan otonomi sedang menggambarkan mekanisme kerugian, bukan menolak aturan.

Bagi pengembang

Instrumentasikan kinerja terbantu dan tanpa bantuan, dan jangan pernah menyajikan yang pertama saja sebagai pembelajaran.
Jangan tambahkan "apakah ini membantu Anda?" sebagai ukuran pembelajaran; nilainya stabil sementara pembelajaran turun.
Bangun batas substitusi ke dalam interaksi — desain berpagar pengaman "memberi petunjuk, bukan jawaban" menghapus kerugiannya dalam keluarga eksperimen yang sama.

Bagi peneliti

Selalu laporkan ukuran tanpa bantuan, dan laporkan persepsi berdampingan dengannya alih-alih sebagai penggantinya.
Laporkan struktur substitusi tugas, bukan hanya frekuensi penggunaan, ketika mengatribusikan kerugian.

Konsep terkait

FAQ terkait

Metadata

Pembelajaran dan pengajaran	Metakognisi, Motivasi, Regulasi Diri dalam Belajar
Teknologi dan teknik	AI Generatif
Asesmen dan pengukuran	Penilaian
Dasar-dasar AI dalam pendidikan	Integritas Akademik, Offloading Kognitif

Sumber Riwayat Sunting Obrolan