Komunitas Inkuiri

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

Komunitas Inkuiri (CoI) adalah kerangka untuk memahami pengalaman pendidikan yang bermakna sebagai jalinan dinamis antara kehadiran kognitif, kehadiran sosial, dan kehadiran pengajaran. Berasal dari penelitian pembelajaran daring dan termediasi komputer (Garrison, Anderson & Archer, 2000), kerangka ini menjadi salah satu model yang paling luas dipakai untuk merancang, mengevaluasi, dan meneliti pendidikan berbasis inkuiri yang daring dan campuran. Di era AI Generatif kerangka ini sedang dikonseptualisasi ulang: wacana yang dihasilkan mesin dapat meniru kehadiran autentik, sehingga ketiga kehadiran itu harus dipahami sebagai capaian sosioteknis dari rajutan manusia–GenAI alih-alih aktivitas yang murni manusiawi.

Pertanyaan untuk Dipertimbangkan

Dalam sebuah kursus daring, apa yang memberi tahu Anda bahwa pembelajaran bermakna benar-benar terjadi — dan bagaimana Anda tahu kalau ternyata tidak?
Kerangka Komunitas Inkuiri menamai tiga kehadiran: kognitif, sosial, dan pengajaran. Dalam pengalaman daring Anda sendiri, kehadiran mana yang paling sering hilang — dan apa dampaknya bagi pembelajaran?
Jika chatbot AI menulis balasan yang lancar dan terdengar empatik di forum diskusi, apakah 'kehadiran sosial' sedang terjadi? Ataukah kehadiran adalah sesuatu yang hanya dapat diciptakan manusia secara autentik?
AI generatif dapat menghasilkan penjelasan yang begitu koheren sehingga terasa jelas benar — tetapi koherensi bukanlah kebenaran. Di mana Anda pernah melihat 'kelancaran disalahartikan sebagai jaminan', dan bagaimana Anda akan menjaganya di kursus inkuiri?
Kerangka ini menyarankan bahwa kehadiran adalah 'capaian sosioteknis' dari kerja bersama manusia dan AI alih-alih aktivitas yang murni manusiawi. Apakah itu menyusun ulang siapa yang Anda anggap bertanggung jawab ketika diskusi daring menjadi dangkal atau berjalan baik?

Pendahuluan

Kerangka Komunitas Inkuiri menggambarkan pengalaman belajar daring yang bermakna sebagai produk dari tiga kehadiran yang saling berinteraksi: kehadiran kognitif (pembelajar mengonstruksi dan mengonfirmasi makna melalui refleksi dan wacana yang berkelanjutan), kehadiran sosial (partisipan menampilkan diri secara sosial dan emosional), dan kehadiran pengajaran (desain, fasilitasi, dan pengarahan proses). Berakar pada tradisi Konstruktivisme dan Dewey, kerangka ini memperlakukan inkuiri sebagai sosial dan iteratif, dan kini berfungsi sebagai lensa desain dan evaluasi bagi kursus yang dimediasi AI — tempat Agen Pedagogis dapat menopang satu kehadiran sambil diam-diam menggerus kehadiran lain.

Tiga kehadiran

Kehadiran kognitif — sejauh mana pembelajar mengonstruksi dan mengonfirmasi makna melalui refleksi dan wacana berkelanjutan, dioperasionalkan melalui model inkuiri praktis (peristiwa pemicu → eksplorasi → integrasi → resolusi).
Kehadiran sosial — kemampuan partisipan menampilkan diri secara sosial dan emosional, yang terungkap melalui komunikasi afektif, komunikasi terbuka, dan kohesi kelompok.
Kehadiran pengajaran — desain, fasilitasi, dan pengarahan proses kognitif serta sosial untuk mewujudkan hasil yang bermakna secara personal dan berharga secara edukatif, mencakup desain/organisasi, fasilitasi wacana, dan pengajaran langsung.

CoI berakar pada tradisi Konstruktivisme dan pragmatis Dewey: inkuiri bersifat sosial, iteratif, dan didorong oleh kesulitan yang dirasakan yang memotivasi pencarian resolusi.

CoI sebagai kerangka untuk pengajaran daring

CoI berasal dari, dan tetap paling erat dikaitkan dengan, Pengajaran dan Pembelajaran Daring. Kerangka ini menyediakan kosakata untuk mendiagnosis mengapa kursus daring berhasil atau gagal: keterlibatan yang rendah dan isolasi dalam kursus asinkron biasanya merupakan kegagalan kehadiran sosial dan pengajaran, sementara diskusi yang dangkal sering mencerminkan kehadiran kognitif yang lemah. Hal ini menjadikan CoI lensa desain yang praktis bagi kondisi-kondisi yang justru diciptakan oleh medium daring — hilangnya kehadiran fisik bersama, kebutuhan akan pembangunan komunitas yang disengaja, dan penstrukturan diskusi yang menggantikan kontak tatap muka. Di era AI Generatif, CoI juga menjadi tempat para instruktur daring menghadapi pertanyaan baru yang tersulit: siapa yang "hadir" ketika agen Model Bahasa Besar (LLM) memposting, memoderasi, atau merespons, dan bagaimana menjaga ketiga kehadiran tetap bermakna ketika wacana yang dihasilkan mesin dapat menirunya. Karena itu halaman pengajaran daring dalam basis pengetahuan ini memperlakukan Komunitas Inkuiri sebagai kerangka inti bagi alur kehadiran sosial dan pembangunan komunitas dalam praktik yang direkomendasikannya.

CoI di bawah tekanan AI generatif

GenAI mengacaukan asumsi bahwa indikator kehadiran dapat diatribusikan terutama kepada pembelajar manusia dan instruktur (lihat Ba, Gašević, Lim & Anderson). Ia dapat:

Mengembungkan kehadiran kognitif — penjelasan mesin yang lancar mempercepat pemaknaan tetapi berisiko menutup terlalu dini ketika koherensi disalahartikan sebagai jaminan.
Meniru kehadiran sosial — ujaran yang dihasilkan mesin dapat menyerupai empati dan ketanggapan dengan kredibilitas linguistik yang tinggi, sehingga menyulitkan akuntabilitas relasional.
Mendistribusikan ulang kehadiran pengajaran — desain, fasilitasi, dan pengajaran langsung menjadi capaian yang terdistribusi, dengan instruktur memodelkan cara menginterogasi keluaran yang dihasilkan dan mendeteksi sitasi halusinatif.
Campur tangan terlalu bersemangat — dalam sebuah studi diskusi daring, fasilitator ahli secara konsisten lebih berhati-hati dalam melakukan intervensi daripada hakim LLM, yang terlalu bersemangat memfasilitasi; klasifikasi terlatih terbaik pun tetap menabrak plafon rendah yang ditentukan oleh kumpulan data yang tersedia (Tsirmpas, Korre dan Pavlopoulos, 2026). Kehadiran pengajaran yang terdistribusi ulang karena itu mengubah ambang intervensi, dan model akan menyela di tempat orang akan menunggu, yaitu mode kegagalan yang diperhatikan oleh forum diskusi.

Bukti jaringan empiris kini mendasari klaim-klaim tersebut: dalam sebuah kuasi-eksperimen di mana 63 mahasiswa sarjana Tiongkok (33 dengan chatbot GPT-4o mini, 30 tanpa) menganotasi bacaan bersama di CollaboRead selama lima tugas mingguan, analisis jaringan epistemik menunjukkan kelas yang dibantu mengikat kehadiran sosial pada integrasi dan resolusi sementara kelas kontrol mengikat kehadiran sosial pada pemicuan dan eksplorasi (sumbu X U = 25.00, p = 0.01, r = 1.00; sumbu Y U = 13.00, p = 1.00, r = 0.04), dengan keterlibatan kognitif dan emosional yang dilaporkan sendiri lebih tinggi di kelas yang dibantu. Ketiga kehadiran kemudian terpisah di dalam kondisi alih-alih antarkondisi: kelompok berprestasi tinggi memulai 1407 permintaan umpan balik dari 2319 anotasi (60.7%) berbanding 737 dari 2167 (34.0%) pada kelompok berprestasi rendah, yang bertahan dalam lingkaran swa-rujuk dan lemah memanfaatkan perancah itu.(Pan dkk., 2026)

Alih-alih sebagai alat, mitra dialogis, atau "kehadiran keempat" yang spekulatif, GenAI paling baik dipahami sebagai kondisi epistemik — pengaruh meresap yang menyusun ulang bagaimana kehadiran diberlakukan, ditafsirkan, dibuktikan, dan ditata kelola melalui keluaran yang terlihat maupun logika data pelatihan, algoritmik, dan platform yang tak terlihat.

Para penulis kerangka ini sendiri menyediakan taksonomi peran bagi kondisi tersebut: Stenbom dan Garrison (2026) menempatkan AI sebagai pendukung desain pembelajaran, sumber daya pembelajar yang independen, fungsi pendukung instruktur melalui analitik, anggota komunitas, dan mitra dialogis yang berkelanjutan, serta mengusulkan Metakognisi bersama — pengaturan diri dan pengaturan bersama diri — sebagai hal yang menjaga agar pembelajar tetap mengaudit keluaran AI.

Implikasi praktis

Hubungan antara keterlibatan GenAI dan kualitas inkuiri bergantung pada akuntabilitas manusia, bukan linear: kehadiran yang kuat dapat terjadi dengan keterlibatan GenAI tinggi maupun rendah bila akuntabilitasnya kuat, dan kehadiran yang lemah dapat terjadi pada keduanya bila akuntabilitasnya lemah.
Penilaian inkuiri sebaiknya bergeser dari keluaran akhir yang rapi ke bukti yang peka proses — jejak prompting dan revisi, praktik pengungkapan dan atribusi, langkah verifikasi, dan log interaksi. Ini sejalan dengan pergeseran basis pengetahuan yang lebih luas menuju penilaian autentik dan yang menyingkap proses, dan menjauh dari respons berbasis deteksi.
Secara pedagogis, pembelajar sering membutuhkan pelatihan eksplisit (misalnya praktik berbasis simulasi dengan peran berskrip dan titik keputusan GenAI) untuk mempertahankan inkuiri autentik dalam kondisi GenAI — dan instruktur sebaiknya memodelkan cara menginterogasi keluaran yang dihasilkan, yang bergantung pada pembangunan Literasi AI, penilaian kritis, dan kepercayaan yang terkalibrasi.

Miskonsepsi Umum

"Kehadiran pengajaran adalah sifat manusia." Di era AI generatif kerangka ini dikonseptualisasi ulang karena wacana yang dihasilkan mesin dapat meniru kehadiran autentik, sehingga kehadiran lebih baik dipahami sebagai capaian sosioteknis dari rajutan manusia–GenAI alih-alih aktivitas yang murni manusiawi. Sebuah kursus dapat melaporkan kehadiran pengajaran yang tinggi dengan instruktur sebagian besar absen dan model yang menjalankan wacananya.

"Penjelasan AI yang koheren menciptakan kehadiran kognitif." Koherensi bukan kebenaran, dan justru sifat itulah yang membuat inkuiri reflektif sulit dipertahankan: siswa yang merasa sebuah penjelasan jelas benar hanya mendapat sedikit kesempatan untuk meresolusikan peristiwa pemicu. Kehadiran kognitif menuntut penyelesaian keraguan, bukan penghapusannya.

"Kehadiran terdistribusi merata di seluruh kohort." Ia terpisah di dalam kondisi, bukan antarkondisi. Dalam kuasi-eksperimen dengan 63 mahasiswa sarjana Tiongkok (33 dengan chatbot GPT-4o mini, 30 tanpa) yang menganotasi bacaan bersama dalam lima tugas mingguan, kehadiran menyimpang menurut prestasi kelompok: kelompok berprestasi tinggi memulai 1407 permintaan umpan balik dari 2319 anotasi (60.7%) berbanding 737 dari 2167 (34.0%) pada kelompok berprestasi rendah. Akses ke alat yang sama mereproduksi kesenjangan yang sudah ada dalam perilaku sosial yang diukur kerangka ini.

"Menambahkan chatbot ke kursus daring berarti menambah satu kehadiran." Itu mengubah komposisinya. Nilai kerangka ini di bawah GenAI adalah bahwa ia membuat substitusi itu terlihat: kehadiran yang dipenuhi model adalah konfigurasi berbeda dari konstruk yang sama, dan data kohort menunjukkan substitusi itu menguntungkan secara tidak merata.

Konsep terkait

FAQ terkait

Bagaimana Merancang dan Memfasilitasi Kursus Daring Asinkron Saat AI Bisa Mengerjakan Tugasnya?

Metadata

Tingkat	Higher Ed
Pembelajaran dan pengajaran	Pengajaran dan Pembelajaran Daring, Pedagogi dan Strategi Pengajaran
Teknologi dan teknik	AI Generatif
Dasar-dasar AI dalam pendidikan	Berpikir Kritis

Sumber Riwayat Sunting Obrolan