Pedagogi Relevan Budaya

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

Pedagogi relevan budaya — diperkenalkan oleh Gloria Ladson-Billings (1995), memusatkan rujukan budaya siswa yang terpinggirkan dalam desain kurikulum. Kerangka ini bersandar pada tiga pilar: keberhasilan akademik (standar ketat yang menghormati identitas budaya), kompetensi budaya (kesadaran kritis tentang budaya dan kekuasaan), dan kesadaran sosiopolitik (memberdayakan siswa untuk menantang sistem yang tidak adil). Ketika alat AI memasuki ruang kelas, CRP telah menjadi lensa utama untuk menilai apakah AI memperkuat atau menghapus pengetahuan budaya non-dominan.

Pertanyaan yang Perlu Dipertimbangkan

Pedagogi relevan budaya bersandar pada keberhasilan akademik, kompetensi budaya, dan kesadaran sosiopolitik. Pilar mana yang paling sulit dicapai dengan alat AI — dan mengapa?
Satu studi menemukan 94% rencana pelajaran yang dihasilkan AI tidak memuat konten multikultural yang dapat dikenali, dan hampir tidak ada yang mencapai tingkat transformasi atau aksi sosial. Jika AI secara default menghasilkan keluaran monokultural, siapa yang bertanggung jawab menyuntikkan perspektif yang hilang?
Data pelatihan AI didominasi Barat dan berbahasa Inggris. Apa artinya bagi sebuah sistem untuk 'secara aktif meminggirkan' cara-cara mengetahui — dan bagaimana itu berbeda dari sekadar kurangnya akses?
Pembelajaran AI berbasis komunitas mengusulkan bahwa epistemologi pengalaman pembelajar sendiri harus menjadi standar untuk mengevaluasi keluaran AI, dengan penolakan dan non-penggunaan diperlakukan sebagai respons yang sah. Bagaimana Anda memusatkan pengetahuan komunitas sebagai hakim atas relevansi dan kerugian sebuah AI?
Data yang berakar budaya dapat secara dramatis meningkatkan relevansi AI — satu kumpulan data pengetahuan India menggerakkan model kecil dari mendekati nol hingga menyaingi model serbaguna yang jauh lebih besar. Jika data yang lebih baik adalah solusinya, siapa yang harus membangun dan memilikinya?
Sebuah studi lintas budaya menemukan bahwa perilaku penggunaan AI yang identik dinilai etis di satu negara dan tidak etis di negara lain, terlepas dari kebijakan tertulis. Apa yang itu katakan tentang upaya mengatur penggunaan AI dengan aturan seragam?

Pendahuluan

Peran Bermata Dua AI dalam CRP

AI dapat mendukung guru dalam membuat pengajaran responsif secara budaya, tetapi keluaran defaultnya juga berisiko memperkuat narasi dominan bila dibiarkan tanpa prompt.

Dukungan bagi guru: Wang et al. (2025) membangun CulturAIEd, sistem bertenaga LLM yang membantu guru K-12 merancang aktivitas Literasi AI yang responsif secara budaya dengan menggabungkan informasi demografis siswa dan panduan berbasis rubrik (daftar periksa CRT yang dilapiskan ke dalam proses generasi). Dalam uji coba empat guru, sistem ini meningkatkan keyakinan guru dalam mengenali peluang responsivitas budaya dan dalam memodifikasi aktivitas yang sudah ada, dengan 78% menilai saran AI membantu untuk mendiversifikasi materi. Alat ini secara langsung menyasar hambatan waktu, pelatihan, dan sumber daya yang menghalangi implementasi CRP.
Risiko keluaran monokultural: Trust et al. (2025) menganalisis 310 rencana pelajaran kewarganegaraan yang dihasilkan AI (2,230 aktivitas): 94% tidak memuat konten multikultural yang dapat dikenali, dan dari 144 yang memuatnya, 137 berada pada tingkat "Aditif" terendah — hanya satu yang mencapai "Transformasi" dan tidak ada yang mencapai "Aksi Sosial." Ketiga chatbot menghasilkan templat pelajaran monokultural yang identik secara struktural. Ini bukti konkret bahwa AI secara default menghasilkan kurikulum yang homogen kecuali guru secara aktif campur tangan.

Peminggiran Epistemik dalam Sistem AI

Di luar pembuatan pelajaran, CRP terhubung ke kritik yang lebih dalam: data pelatihan dan proses desain AI mengodekan kerangka epistemik Barat dan berbahasa Inggris yang meminggirkan cara-cara mengetahui lainnya.

Kolonialitas epistemik: Tali-Otmani (2026) berargumen bahwa sistem GenAI tidak netral secara epistemik — data pelatihan yang didominasi Barat secara aktif meminggirkan pengetahuan kelompok minoritas, menghasilkan "peminggiran ganda" bagi pembelajar disabilitas yang epistemologinya kurang terwakili dalam data pelatihan sekaligus dikecualikan dari desain. Ini memperluas percakapan keadilan dari akses ke pengetahuan siapa yang divalidasi.
Mendistribusikan ulang otoritas epistemik: Ojeda-Ramirez, Gyles & Peppler (2026) mengusulkan pembelajaran AI berbasis komunitas, kerangka yang memposisikan ulang epistemologi berbasis pengalaman dan komunitas pembelajar sebagai standar evaluatif atas keluaran AI. Tiga komitmennya — penyetelan halus epistemik, redistribusi otoritas, dan kebijaksanaan tersituasi — mengkalibrasi kepercayaan terhadap sejarah lokal dan keahlian komunitas, memperlakukan penolakan dan non-penggunaan strategis sebagai respons CRP yang sah terhadap AI.

Data dan Evaluasi yang Berakar Budaya

Sekumpulan karya yang bersumber dari basis pengetahuan ini membahas celah konten dan evaluasi di balik CRP.

Data pelatihan non-Barat: IKS-Instruct menyediakan kumpulan data instruksi multibahasa berisi 24,795 contoh untuk mengajar LLM Sistem Pengetahuan India di tujuh bahasa dan 41 teknik pedagogis. Model 7B ringkas yang disetel pada domain mencapai skor juri median 6.39 (vs. 6.54 untuk model serbaguna yang jauh lebih besar) — sementara model dasar mencetak mendekati nol pada dimensi khusus IKS, menunjukkan betapa data yang berakar budaya meningkatkan relevansi.
Global South tolok ukur: Tolok ukur NSMQ Riddles menarik 1.8K teka-teki ilmiah/matematis dari 11 tahun National Science and Maths Quiz Ghana — salah satu tolok ukur pendidikan Global South pertama — dan menemukan LLM tercanggih kalah dari kontestan siswa terbaik, menyingkap bias geografis dalam cara model dievaluasi.
Budaya di atas kebijakan: Survei lintas budaya terhadap mahasiswa komputasi Kanada dan Korea Selatan menemukan bahwa budaya, bukan teks kebijakan, yang menggerakkan persepsi tentang etikalitas penggunaan AI — perilaku identik dinilai berbeda antar kohort, memperkuat kebutuhan akan komunikasi yang sadar budaya alih-alih aturan abstrak.
Navigasi budaya adalah titik terlemah dukungan AI: Mahasiswa internasional memberi nilai tertinggi pada AI percakapan untuk tata bahasa, struktur, dan peringkasan (rata-rata 4.27) dan terendah untuk navigasi budaya (rata-rata 3.49) (Nourian et al. (2026)).
Adaptasi budaya sebagai langkah desain: Bashir dan Afzal (2026) mengoperasionalkan relevansi budaya dalam sistem dukungan Kesejahteraan berbasis AI (Sukoon) melalui tiga langkah: asesmen 20 pertanyaan bilingual dengan label paralel bahasa Inggris dan Urdu; prompt sistem yang menginstruksikan model untuk merespons secara konsisten dengan norma sosial dan budaya Pakistan serta menggunakan ekspresi Urdu dan Roman Urdu bila sesuai; dan kepekaan eksplisit terhadap stresor yang menonjol secara lokal (harapan keluarga, tekanan finansial, hubungan guru-siswa yang hierarkis). Justifikasi mereka bersifat empiris sekaligus etis — kepentingan fitur menempatkan hubungan guru-siswa di urutan kedua di antara prediktor stres — tetapi mereka mengakui bahwa adaptasi itu hidup dalam prompt alih-alih dalam pipeline NLP, dan bahwa kelayakan budaya dinilai hanya melalui pengujian informal, bukan oleh siswa yang menjadi sasaran sistem.

Panduan Praktis

Berakar pada artikel basis pengetahuan ini sendiri, pendidik dan perancang dapat menerapkan CRP pada AI:

Perlakukan AI sebagai pembuat draf, bukan otoritas. Temuan kewarganegaraan Trust et al. menunjukkan guru harus menyuntikkan pemikiran tingkat tinggi dan perspektif multikultural yang dihilangkan AI; pertimbangan manusia tetap esensial untuk keaslian budaya dan keselarasan komunitas.
Lapisi konteks demografis dan budaya ke dalam prompt dan alat. CulturAIEd dan ConnectED (sistem perencanaan pelajaran Vietnam yang selaras kurikulum) menunjukkan bahwa templat prompt terstruktur yang berakar lokal plus gerbang validasi guru meningkatkan kesesuaian budaya dibandingkan generasi generik.
Pusatkan pengetahuan komunitas sebagai standar evaluatif. Mengikuti pembelajaran AI berbasis komunitas, mintalah pembelajar menilai keluaran AI terhadap kriteria relevansi, kerugian, dan kegunaan yang berakar lokal, serta hormati konteks di mana penolakan atau non-penggunaan adalah pilihan yang tepat.
Adopsi dan evaluasi kumpulan data yang berakar budaya. IKS-Instruct dan NSMQ Riddles menggambarkan bahwa data non-Barat yang spesifik domain secara bermakna meningkatkan relevansi sekaligus evaluasi yang jujur.
Biarkan AI mewawancarai guru sebelum menyusun draf. Zhai et al. (2026) mendeskripsikan perencana pelajaran responsif budaya yang arsitektur prompt semi-otomatis interaktifnya menanyakan pertanyaan konteks dan budaya terlebih dahulu, lalu menyusun draf dari jawaban guru sendiri alih-alih menghasilkan rencana generik.

Miskonsepsi Umum

"Keluaran AI netral secara budaya kecuali Anda memberi prompt untuk budaya." Defaultnya bukan netral, melainkan dominan. Analisis atas 310 rencana pelajaran kewarganegaraan yang dihasilkan AI (2,230 aktivitas) menemukan 94% tidak memuat konten multikultural yang dapat dikenali — dan dari 144 aktivitas yang memuatnya, 137 berada pada tingkat "Aditif" terendah, hanya satu mencapai "Transformasi", dan tidak ada yang mencapai "Aksi Sosial." Bila dibiarkan tanpa prompt, model mereproduksi default yang tidak beragam, sehingga memberi prompt untuk budaya bukanlah mitigasi bias, melainkan satu-satunya alasan mengapa semua itu muncul.

"Menambahkan contoh multikultural merupakan pedagogi relevan budaya." Hierarki kerangka itu sendiri mengatakan sebaliknya, dan keluaran yang dihasilkan menunjukkan mengapa pembedaan ini penting secara operasional. Konten aditif membiarkan struktur dan asumsi unit tidak tersentuh; Transformasi mengubah cara konten dibingkai; Aksi Sosial meminta pembelajar bertindak atasnya. Mencampuradukkan representasi dengan transformasi adalah cara sebuah korpus dapat 6% tidak kosong dalam hal keragaman namun tetap jauh dari responsif budaya.

"Kebijakan penggunaan AI institusional menentukan apa yang dianggap etis oleh siswa." Budaya bekerja lebih banyak daripada teks kebijakan. Survei lintas budaya terhadap mahasiswa komputasi Kanada dan Korea Selatan menemukan bahwa budaya, bukan kebijakan, yang menggerakkan persepsi etikalitas penggunaan AI — perilaku identik dinilai berbeda antar kohort. Kebijakan tunggal seluruh institusi karena itu tidak menghasilkan etika bersama, dan memperlakukannya seolah-olah demikian akan salah membaca siswa Anda.

"Uji coba empat guru yang menunjukkan guru merasa lebih percaya diri adalah bukti pendekatannya berhasil." Itu bukti tentang persepsi guru, yang layak dimiliki dan bukan hal yang sama. Dalam uji coba itu keyakinan guru dalam mengenali peluang responsivitas budaya meningkat dan 78% menilai saran AI membantu untuk mendiversifikasi materi — sementara penulisnya mengakui bahwa adaptasi budaya hidup dalam prompt alih-alih dalam pipeline NLP, dan bahwa kelayakan budaya dinilai alih-alih direkayasa. Keyakinan plus kegunaan bukanlah relevansi budaya yang terbukti bagi siswa.

Implikasi bagi Praktik

Bagi instruktur

Jangan pernah merilis rencana pelajaran AI tanpa prompt sebagai responsif budaya. Angka 94% adalah perilaku default, sehingga konten budaya harus ditentukan secara eksplisit dan diperiksa satu per satu.
Urutkan tambahan Anda sendiri terhadap tangga Aditif/Transformasi/Aksi Sosial dan bidiklah setidaknya satu anak tangga lebih tinggi daripada yang terasa wajar. Sebagian besar keragaman yang dihasilkan berada di dasar.
Jangan mengasumsikan kebijakan institusi Anda ikut bersama siswa Anda. Konteks budaya membentuk penilaian etis mereka lebih dari buku aturan.

Bagi pengembang

Perlakukan kelayakan budaya sebagai persoalan pipeline, bukan persoalan prompt. Keterbatasan uji coba itu sendiri adalah bahwa adaptasi berada di prompt, yang berarti ia menghilang ketika prompt berubah.
Evaluasi konten yang dihasilkan terhadap tangga lengkap, laporkan berapa banyak item yang mencapai Transformasi atau Aksi Sosial — hitungan keragaman yang berhenti di Aditif akan tampak memuaskan dan berarti sangat sedikit.
Buat hubungan guru-siswa terlihat dalam apa pun yang Anda instrumentasikan; kepentingan fitur menempatkannya di urutan kedua di antara prediktor stres dalam karya yang dikutip, dan itu aset yang tidak dapat disediakan generasi generik.

Bagi peneliti

Laporkan konten budaya menurut tingkat alih-alih sebagai ada atau tidaknya, karena kehadiran 94% versus 6% tidak mengatakan apa pun tentang 6% yang mana.
Bedakan secara eksplisit hasil persepsi guru dari hasil siswa saat melaporkan uji coba.

Konsep terkait

Keadilan
Desain Kurikulum
Literasi AI
K-12
Kompetensi AI Guru
Pengajaran
Mitigasi Bias
Pedagogi Kritis
Human-in-the-Loop
Pengalaman Siswa
Pendidikan Tinggi
Pembelajaran Bahasa
Pendidikan Ilmu Komputer
Pedagogi dan Strategi Pengajaran — Payung: pedagogi dan strategi pengajaran dalam pendidikan AI

Metadata

Tingkat	K 12, Higher Ed
Audiensi sasaran	Learners
Teknologi dan teknik	AI Generatif, Tutoring Cerdas, Model Bahasa Besar (LLM)
Kesetaraan, etika, dan penggunaan yang bertanggung jawab	Keadilan, Pembelajaran Inklusif
Dasar-dasar AI dalam pendidikan	Literasi AI, Desain Kurikulum

Sumber Riwayat Sunting Obrolan