Kesenjangan Digital

Di halaman ini

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

Kesenjangan digital — distribusi akses, keterampilan, dan manfaat dari teknologi digital (dan semakin AI) yang tidak merata di antara individu, komunitas, dan negara. Dalam pendidikan AI, kesenjangan digital adalah kekhawatiran keadilan yang sentral: AI generatif dengan cepat membentuk ulang pembelajaran, dan jurang antara mereka yang dapat menggunakannya secara efektif dan kritis dan mereka yang tidak mengancam memperdalam ketidaksetaraan pendidikan yang sudah ada.

Pertanyaan yang Perlu Dipertimbangkan

Kesenjangan digital sering dijelaskan dalam tiga tingkat: akses, keterampilan, dan siapa yang benar-benar memperoleh manfaat. Tingkat mana yang menurut Anda paling sering dipikirkan orang ketika mereka mengatakan 'menutup kesenjangan digital' — dan mengapa itu mungkin tidak lengkap?
Memberi setiap siswa perangkat dan akses internet tidak secara otomatis berarti mereka dapat menggunakan AI secara efektif atau kritis. Apa yang memisahkan memiliki akses dari mampu memperoleh manfaat?
AI menambahkan lapisan baru pada ketidaksetaraan: bias algoritmik dapat merugikan pembelajar dari kelompok marginal secara tidak proporsional, dan literasi AI itu sendiri menentukan apakah teknologi memperlebar atau mempersempit jurang. Bagaimana ini berbeda dari kesenjangan pada teknologi sebelumnya?
Kesenjangan juga meluas ke komunitas, bahasa, dan perspektif MANA yang terwakili dalam dan dilayani oleh sistem AI. Bagaimana representasi itu sendiri merupakan bentuk akses — atau eksklusi?
Jika menutup kesenjangan adalah 'pertanyaan tentang keadilan dan partisipasi', siapa yang menanggung tanggung jawab: platform, sekolah, pemerintah, atau semuanya — dan bagaimana distribusi manfaat AI yang adil sebenarnya akan terlihat?

Pendahuluan

Kesenjangan digital umumnya dipahami beroperasi dalam tiga tingkat (van Deursen & van Dijk, 2014): kesenjangan tingkat pertama menyangkut akses ke teknologi dan infrastruktur (konektivitas, perangkat, lingkungan yang mendukung); kesenjangan tingkat kedua menyangkut keterampilan dan kompetensi (kapasitas yang tidak merata untuk menggunakan alat secara efektif dan bermakna); dan kesenjangan tingkat ketiga menyangkut hasil dan manfaat (siapa yang benar-benar memperoleh manfaat dari penggunaan teknologi, dengan AI berpotensi memperburuk disparitas sosial, budaya, dan ekonomi). Membingkai literasi AI melalui lensa ini memperjelas bahwa keadilan menuntut lebih dari sekadar menutup jurang perangkat-dan-infrastruktur — dibutuhkan pembangunan keterampilan untuk menggunakan AI secara efektif dan kritis agar manfaatnya terdistribusi secara adil alih-alih memperkuat ketidaksetaraan yang sudah ada.

Pergeseran ke inferensi tepi (edge inference) menambahkan dimensi perangkat keras pada kesenjangan tingkat pertama. Ketika tutor berjalan di peramban alih-alih di cloud — tutor SLM yang bersemayam di peramban melalui WebLLM — hambatan biaya langganan hilang tetapi hambatan kapabilitas menggantikannya: pada laptop konsumen sistem yang sama membutuhkan sekitar 180 detik per percobaan berbanding 10–58 detik untuk API jarak jauh, dan perangkat kelas Chromebook tidak dapat menjalankan model 8B sama sekali. Siswa dengan perangkat keras modern memperoleh generasi yang cepat dan mulus sementara siswa dengan perangkat lama menghadapi latensi atau kehabisan memori, sehingga lokal dan murah tidak sama dengan adil secara default.

Bagaimana kesenjangan digital muncul dalam penelitian

Literasi AI sebagai mekanisme keadilan: Kerangka SAIL dirancang secara eksplisit untuk menangani kesenjangan tingkat kedua dan ketiga, menyediakan jalur literasi AI yang adil, berperancah, dan tidak terikat usia di semua tahap pendidikan, berlandaskan argumen bahwa literasi AI tidak dapat dipisahkan dari keadilan dan partisipasi.
Kebijakan dan infrastruktur: OECD Digital Education Outlook 2026 menempatkan kesenjangan digital dalam kebijakan pendidikan nasional, menelaah bagaimana akses ke teknologi digital dan AI bervariasi dan apa yang dapat dilakukan sistem untuk menutup jurang.
Literasi penggunaan yang bertanggung jawab dan penyusunan prompt: Penelitian literasi prompting K-12 menangani kesenjangan tingkat kedua dengan mengajarkan siswa keterampilan menggunakan chatbot AI secara bertanggung jawab, dengan mengakui bahwa akses saja tidak memberikan kemampuan untuk menggunakan AI dengan baik.
Keterampilan merumuskan adalah kesenjangan tingkat kedua tersendiri. Pada MedQA, akurasi naik seiring kecanggihan prompt (82.4% untuk perumusan literasi rendah berbanding 83.4% untuk perumusan ahli), dan Prompt Equity Transformer yang menulis ulang permintaan menjadi perumusan setara yang lebih jelas menutup jurang itu — memindahkan beban penyusunan prompt yang efektif dari pembelajar ke sistem (Jin et al. (2026)).
Representasi dan kesenyapan struktural: Penelitian tentang bahasa yang kurang terwakili menyoroti bagaimana kesenjangan digital meluas ke komunitas, bahasa, dan perspektif mana yang terwakili dalam dan dilayani oleh sistem AI — dimensi budaya dan epistemik dari ketidaksetaraan.
Alih kode adalah eksklusi tersendiri. Sebagian besar alat kuliah berbasis LLM mengasumsikan audio bahasa Inggris satu bahasa dan internet yang andal, sehingga menyingkirkan kelas yang mencampur bahasa Inggris dengan bahasa rumah; data UDISE+ India menempatkan akses internet sekolah mendekati 54% dengan jurang kota-desa sebesar 24 poin, dan pendamping bilingual menjawab dengan transkripsi di perangkat dan penyimpanan lokal-utama (Malhotra, 2026).

AI memperdalam (dan dapat menutup) kesenjangan

AI menambahkan lapisan baru pada implikasi keadilan teknologi. Bias algoritmik dapat berdampak tidak proporsional pada pembelajar dari komunitas marginal, dan literasi AI — kemampuan memahami, mengevaluasi secara kritis, dan memitigasi bias serta risiko AI — itu sendiri merupakan faktor kunci apakah AI memperlebar atau mempersempit jurang. Penelitian menunjukkan pendidik dengan literasi AI lebih tinggi lebih efektif dalam mengidentifikasi dan memitigasi hasil yang bias. Kesenjangan digital di era AI karena itu bukan sekadar masalah penyediaan teknis melainkan pertanyaan tentang keadilan dan partisipasi: siapa yang dapat mengakses AI, siapa yang dapat menggunakannya secara kritis, dan siapa yang memperoleh manfaat.

Untaian panjang dalam literatur menelusuri bagaimana konsep itu sendiri bergeser dari akses ke keadilan digital, yang kini didefinisikan dalam empat dimensi — literasi digital, keterjangkauan, konten yang peka kelompok, dan ketersediaan infrastruktur — dan membaca AI konsumen sebagai gelombang baru kesenjangan yang menguntungkan pengguna yang sudah mampu mengaudit keluaran mesin (Rose (2026)).

Kepribadian, bukan hanya SES, membentuk kesenjangan era AI. Wang et al. (2026) menganalisis data survei dan registri nasional dari 4,497 siswa Kelas 6 di Belanda, memisahkan dua jalur mediasi — penggunaan AI dan literasi digital — yang menghubungkan latar belakang dan kepribadian siswa dengan kinerja akademik. Temuan kunci mereka membingkai ulang kesenjangan klasik: literasi digital, bukan intensitas penggunaan AI, yang memediasi kaitan antara kepribadian dan kinerja, dan muncul kesenjangan keterampilan digital baru yang lebih didorong oleh ciri kepribadian daripada status sosial ekonomi. Keuntungan SES atas kinerja beroperasi secara independen dari keterlibatan AI. Ini memperumit pembingkaian akses-dan-SES atas kesenjangan digital, mengarahkan pada pembentukan keterampilan dan dukungan disposisional sebagai tuas yang relevan bagi keadilan di samping akses perangkat dan alat.

Kesenjangan ini memiliki lapisan metakognitif. Karena memanfaatkan AI secara produktif menuntut pengetahuan awal dan regulasi diri, siswa yang sudah memiliki keduanya paling diuntungkan sementara mereka yang paling membutuhkan latihan justru mendelegasikan pembelajarannya sendiri — "kesenjangan keadilan metakognitif" yang dapat memperlebar jurang capaian bahkan pada akses yang setara (Lodge & Loble (2026)).

Pengajaran AI terstruktur di sekolah adalah katalis psikologis tetapi bukan pemerata kognitif: pada 752 siswa sekolah menengah pertama Hong Kong, kurikulum selama setahun mempersempit jurang kepercayaan diri dan motivasi namun membiarkan perbedaan literasi AI objektif antara pembelajar beragensi tinggi dan rendah tetap utuh (Liang et al. (2026)). Kesenjangan juga beroperasi pada tingkat institusional. Adeniranye et al. (2026) menunjukkan bahwa dalam sistem pendidikan tinggi Nigeria, kapasitas integrasi AI terkonsentrasi pada institusi yang lebih tua di kawasan Barat Daya dan bertambah melalui ikatan jaringan yang saling memperkuat (kolaborasi internasional × kemitraan industri, r = 0.74) — artinya institusi "yang tidak punya" (biasanya universitas negeri yang lebih baru) menghadapi hambatan struktural untuk memasuki jaringan yang justru akan membantu mereka mengejar ketertinggalan. Ketidaksetaraan digital karenanya direproduksi bukan hanya lintas pembelajar individu tetapi lintas struktur institusional yang membentuk siapa yang dapat berpartisipasi dalam ekonomi pengetahuan yang ditransformasi AI.

Kesenjangan ini juga memiliki geografi, dan mentoring adalah mekanismenya. Jacobson et al. (2026) mendokumentasikan asimetri pemulihan dalam partisipasi FIRST LEGO League di Indiana: partisipasi perkotaan dan pedesaan sama-sama turun pada musim daring 2020, tetapi hanya partisipasi perkotaan yang pulih, dan partisipasi pedesaan bertahan mendekati level pasca-2020 hingga 2025–2026. Mekanisme yang mereka namai adalah akses ke mentoring teknis — orang-orang dengan pengetahuan pemrograman dan robotika yang cukup untuk memulai dan mempertahankan sebuah tim — yang mungkin tidak dimiliki sekolah pedesaan bahkan ketika siswa dan guru berminat, sehingga menjadikannya prasyarat bagi jalur robotika dan AI alih-alih fitur darinya. Respons mereka adalah merekayasa penyebaran mentoring itu: hub primer perguruan tinggi melatih mahasiswa dan menyelenggarakan lokakarya, program sekolah yang sudah matang menjadi hub sekunder yang mementori sekolah di sekitarnya, dan simulasi Markov spasial atas 1,925 sekolah negeri Indiana memproyeksikan 992 program setelah 40 tahun dengan asumsi moderat berbanding 161 tanpa ARC, termasuk 341 program pedesaan berbanding 60. Dibaca bersama hasil jaringan institusional di atas, polanya adalah bahwa kesenjangan bertahan melalui struktur siapa yang dapat menyediakan keahlian di mana, dan bahwa menyediakannya secara sengaja — alih-alih mengasumsikan kedekatan dengan universitas — adalah tuas kebijakannya.

Akses dan hierarki epistemik adalah masalah yang berbeda. Sithole (2026) menarik perbedaan itu dengan tajam dari wawancara dengan pengembang akademik di dua Institusi yang Secara Historis Kurang Beruntung di Afrika Selatan: ketidaksetaraan digital bersifat distributif — perangkat, konektivitas, anggaran, literasi digital — dan pada prinsipnya dapat dijawab melalui redistribusi, sedangkan kolonialitas algoritmik bersifat epistemik dan bertahan bahkan dalam kondisi akses penuh, karena ia melekat pada apa yang dikodekan sistem dan pengetahuan siapa yang dijadikan pusatnya. Para peserta studi mengalami keduanya sekaligus, digambarkan sebagai "diminta membangun masa depan digital di atas fondasi analog": fondasi itu menamai register material kesenjangan, dan masa depan impor tiba dengan pra-muatan asumsi epistemik dari konteks yang merancangnya. Implikasi praktisnya bagi kerja keadilan adalah bahwa menutup jurang akses tidak dengan sendirinya mengganggu hierarki itu — kedua fenomena beroperasi pada register yang berbeda dan menuntut respons yang berbeda.

Sebuah desain dapat mengitari jurang perangkat alih-alih menunggu jurang itu menutup. Rodrigues et al. (2026) menguji apakah siswa yang tidak pernah menyentuh komputer tetap dapat memperoleh dukungan bergaya tutor cerdas, menggunakan paradigma yang mereka sebut "AIED unplugged" di mana guru menjadi proksi antara pembelajar dan sistem: siswa tetap bekerja dengan kertas dan pena, guru memotret solusi mereka dengan ponsel, dan sistem mengembalikan daftar latihan yang dipersonalisasi, penilaian otomatis, dan umpan balik yang spesifik kesalahan. Kuasi-eksperimen berkelompok mereka di 19 kelas sekolah negeri Brasil, menurut keterangan mereka, adalah evaluasi kuasi-eksperimental pertama atas sistem semacam itu di ruang kelas autentik alih-alih prototipe, dan aplikasinya berjalan di ponsel guru sendiri di bawah konektivitas terputus-putus yang khas di sekolah-sekolah itu. Desainnya karena itu merupakan strategi keadilan yang berbeda dari yang di atas: alih-alih menutup kesenjangan tingkat pertama berupa perangkat dan bandwidth sebelum tutor AI dapat menjangkau siapa pun, atau menaikkan keterampilan tingkat kedua sebagai tiket masuk, ia menjangkau siswa yang tidak pernah berinteraksi langsung dengan AI. Namun studi yang sama menunjukkan bahwa jalur itu tidak bebas dari kesenjangan yang dihindarinya. Keunggulan pembelajaran atas praktik biasa terlacak pada pelatihan guru alih-alih pada teknologinya — kondisi pelatihan dan sistem lengkap tidak berbeda dalam capaian — dan efek tidak langsung positif sistem terhadap pembelajaran beroperasi melalui berkurangnya usaha guru, dengan beban kerja yang lebih berat berkaitan dengan capaian yang lebih rendah. Mengitari jurang akses karena itu tidak melarutkan masalah keadilan; ia memindahkan kendala pengikat ke kapabilitas dan waktu guru.

Kendala perangkat keras mungkin sedang melarut, bukan jurang akses yang menutup. Guo et al. (2026) berargumen bahwa kendala pengikat pada pembelajaran bahasa yang adil kini adalah perangkat lunak alih-alih perangkat keras: tumpukan sintesis–pengenalan–penerjemahan lengkap muat di bawah 4 GB, pengukuran komunitas menempatkan model 3B pada 4–9 token per detik di komputer papan tunggal seharga $80, dan lima tahun praktik harian berbiaya sekitar $18 listrik berbanding $1,200 untuk langganan cloud dan $2,600 untuk tutor mingguan.
Kompresi model adalah jalur lain ke perangkat keras terbatas. Tutor adaptif Pidgin Nigeria yang disetel halus pada korpus 416,343 entri mempertahankan struktur semantik dan koherensi pada 8-bit, sementara versi 4- dan 5-bit memangkas latensi inferensi dengan degradasi kualitas instruksional yang hanya minimal, dan penutur asli memeriksa keberterimaan budaya alih-alih metrik semata (Nwogo et al., 2026).
Laboratorium simulasi dapat mereproduksi tagihan peralatan yang seharusnya dihindarinya. Sebuah tinjauan sistematis atas 11 studi digital-twin dalam pendidikan tinggi STEM menemukan biaya perangkat keras $2000-$15,000 per node stasiun kerja fungsional dalam empat studi, dengan entitas fisik membatasi akses pada 1-3 siswa bersamaan dalam lima studi, dan tidak ada studi yang disertakan menghasilkan analisis laba atas investasi (Pelayo-Gonzalez et al. (2026)). Tinjauan itu membandingkan biaya masuk tersebut dengan perangkat karakterisasi fisik yang berbiaya dari $30,000 hingga lebih dari $150,000.
Kesenjangan ini mungkin lebih dangkal daripada kesenjangan internet. Dengan mencocokkan penggunaan AI generatif 2025 setiap negara dengan tahun internet yang penggunaan keseluruhannya sebanding, jurang pendidikan lebih kecil di 13 dari 16 negara yang dapat dicocokkan, dari 35 negara (Watanabe (2026)).

Koneksi ke konsep terkait

Kesenjangan digital adalah kekhawatiran inti penelitian Keadilan, terkait erat dengan Literasi AI (yang diposisikan sebagai mekanisme sentral untuk menangani hambatan struktural), serta dengan Etika dan Mitigasi Bias (karena bias algoritmik berdampak tidak proporsional pada kelompok marginal). Ini terhubung dengan AI dalam Pendidikan dan Pendidikan Tinggi sebagai latar tempat jurang akses dan kapabilitas terwujud, dan berkaitan dengan Pengalaman Siswa karena membentuk siapa yang dapat berpartisipasi secara bermakna dalam pembelajaran yang dibentuk AI.

Miskonsepsi Umum

"Akses ke alat adalah kesenjangannya." Akses adalah lapisan pertama dan literatur telah bergerak melampauinya. Keterampilan merumuskan adalah kesenjangan tingkat kedua tersendiri: pada MedQA, akurasi naik seiring kecanggihan prompt dari 82.4% untuk perumusan literasi rendah menjadi 83.4% untuk perumusan ahli, yang berarti dua siswa dengan akses identik memperoleh kualitas berbeda dari model yang sama karena satu tahu cara bertanya. Lapisan penulisan ulang prompt mempersempit jurang itu — kesenjangannya ada pada antarmuka dan kefasihan pengguna, bukan hanya pada langganan.
"Jika berjalan di peramban, berarti tersedia." Sebagian besar alat kuliah LLM mengasumsikan audio bahasa Inggris satu bahasa dan internet yang andal, yang justru menyingkirkan kelas yang mencampur bahasa Inggris dengan bahasa rumah. Data UDISE+ India menempatkan akses internet sekolah jauh di bawah level yang diasumsikan itu. Alat yang dibangun di atas infrastruktur yang diasumsikan secara senyap mengecualikan latar dengan kebutuhan terkuat.
"Literasi digital dan penggunaan AI adalah variabel mediasi yang sama." Sebuah studi atas 4,497 siswa Kelas 6 di Belanda memisahkan dua jalur mediasi yang berbeda — penggunaan AI dan literasi digital — yang menghubungkan latar belakang dan kepribadian dengan capaian belajar. Keduanya tidak dapat dipertukarkan, dan intervensi yang menaikkan salah satunya tidak otomatis menaikkan yang lain.
"Simulasi menghilangkan hambatan biaya." Tinjauan sistematis atas 11 studi digital-twin dalam pendidikan tinggi STEM menemukan biaya perangkat keras $2,000-$15,000 per penyiapan. Laboratorium simulasi dapat mereproduksi tagihan peralatan yang seharusnya dihindarinya, sehingga argumen biaya untuk penyediaan virtual harus diperiksa alih-alih diasumsikan.

Apa artinya bagi praktik

Bagi instruktur

Ajarkan penyusunan prompt sebagai literasi, bukan trik opsional. Perbedaan akurasi 1 poin antara perumusan literasi rendah dan perumusan ahli kecil dengan sendirinya, tetapi mekanisme yang sama bertambah secara majemuk di setiap tugas yang dicoba siswa.
Periksa asumsi bahasa dan konektivitas setiap alat sebelum menugaskannya. Audio bahasa Inggris satu bahasa mengecualikan kelas bilingual terlepas dari akses perangkat.
Bedakan jalur mana yang sebenarnya Anda tangani. Menaikkan penggunaan AI dan menaikkan literasi digital adalah intervensi berbeda dengan hasil berbeda.

Bagi administrator dan pengembang

Jangan memperlakukan distribusi perangkat sebagai penutup kesenjangan. Jurang yang terukur berada pada keterampilan merumuskan, bahasa antarmuka, dan konektivitas, dan tidak satu pun darinya diperbaiki oleh perangkat keras.
Publikasikan infrastruktur yang diasumsikan suatu alat. Persyaratan yang dinyatakan dengan jelas memungkinkan latar dengan sumber daya terbatas menilai kesesuaian sebelum berinvestasi.
Hitung biaya penerapan penuh, bukan lisensi perangkat lunak. Bukti digital-twin menunjukkan tagihan perangkat keras dapat bertahan dari virtualisasi.

Konsep terkait

FAQ terkait

Metadata

Kesetaraan, etika, dan penggunaan yang bertanggung jawab	Aksesibilitas, Keadilan
Dasar-dasar AI dalam pendidikan	AI dalam Pendidikan, Literasi AI

Sumber Riwayat Sunting Obrolan