Pengembangan Pendidikan

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

Pengembangan Pendidikan (juga dikenal sebagai pengembangan fakultas) - proses, program, dan dukungan institusional yang membantu pendidik mengembangkan keterampilan, keyakinan diri, dan identitas profesional untuk mengajar secara efektif dengan AI. Pengembangan pendidikan mencakup pelatihan individual, perancangan ulang kurikulum, perubahan kebijakan institusional, dan kerja kultural untuk memaknai apa arti GenAI bagi profesi akademik.

Pertanyaan yang Perlu Dipertimbangkan

• Jika dosen di departemen yang sama menggambarkan AI sebagai 'asisten' yang mirip manusia di satu sisi dan sekadar 'alat' atau 'mesin pencari' di sisi lain, dapatkah program pelatihan benar-benar berhasil sebelum model mental yang mendasarinya dimunculkan? Apa yang mungkin terjadi jika pengembangan melewati langkah itu?
• Pengembangan pendidikan sering diperlakukan sebagai penutupan kesenjangan keterampilan: ajarkan alatnya kepada dosen dan mereka akan mengadopsinya. Tetapi sebagian penelitian membingkai integrasi GenAI sebagai perubahan tingkat identitas ('apa gunanya mengajar di dunia GenAI?'). Pembingkaian mana yang menurut Anda lebih akurat, dan tindakan berbeda apa yang disiratkan masing-masing?
• Kerangka kesiapan seperti EPIQ-AI memecah kesiapan fakultas menjadi domain epistemik, pedagogis, institusional, dan mutu-dan-kepatuhan. Jika kesiapan adalah masalah keselarasan sosioteksnis alih-alih kesenjangan keterampilan individual, apa artinya itu bagi kemungkinan sebuah 'lokakarya AI' tunggal untuk gagal?
• Kapan Anda pernah merasakan asumsi Anda sendiri tentang teknologi baru muncul ke permukaan dan bergeser - melalui diskusi, metafora, atau bahasa bersama alih-alih melalui instruksi? Menurut Anda, peran apa yang dimainkan bahasa bersama dan analisis metafora dalam membantu pendidik memaknai AI?
• Bayangkan 'lokakarya metafora' berteknologi rendah di mana dosen, staf, dan siswa mengartikulasikan apakah AI terasa seperti pisau Swiss army, pembantu, kotak hitam, atau pesaing. Dapatkah memunculkan ketakutan (termasuk ketakutan bahwa AI akan menggantikan peran mengajar) berbuat lebih banyak bagi adopsi daripada lebih banyak pelatihan teknis?

Pendahuluan

Pengembangan pendidikan adalah kerja profesional dan institusional yang melaluinya fakultas membangun kemampuan untuk merancang, mengajar dan menilai dengan baik - dan di era AI ia telah menjadi prasyarat agar setiap perubahan pedagogis dapat berlaku. Konsep ini mencakup tingkat individual (literasi AI, keyakinan diri, kompetensi, sikap) dan tingkat institusional (standar, kebijakan, penjaminan mutu, dan keselarasan antara ekspektasi AI yang dinyatakan dan desain penilaian yang sebenarnya). Temuan yang berulang di seluruh basis pengetahuan ini adalah bahwa bukti praktik yang efektif jauh mendahului apa yang telah diterapkan sebagian besar institusi, yang menjadikan kerja pengembangan - bukan lebih banyak penelitian primer - sebagai kendala yang mengikat. Ilmu pembelajaran menghasilkan temuan yang dibawa oleh kerja ini: ketika bidang itu menetapkan secara empiris bagaimana orang belajar dan desain mana yang mengubah hasil, pengembangan pendidikan adalah praktik institusional yang memindahkan bukti tersebut ke dalam cara fakultas benar-benar mengajar dan menilai. Namun kerja itu dibatasi oleh tepi institusional: pengembangan membangun kemampuan pada staf di dalam institusi, sementara alat yang kemudian diminta untuk mereka adopsi biasanya dibangun di luarnya oleh Educational Technology Developers, yang keputusan desain dan pengadaannya - default, kemampuan konfigurasi, apa yang bertahan dari pendanaan - tiba sebagai kendala bagi program alih-alih sebagai produknya.

Pengembangan pendidikan di era AI

• Kerangka kesiapan: Kerangka EPIQ-AI mengidentifikasi empat domain kesiapan: epistemik, pedagogis, institusional, dan mutu-dan-kepatuhan. Kesiapan fakultas adalah masalah keselarasan sosioteksnis, bukan sekadar kesenjangan keterampilan individual.

• Periksa apa yang digambarkan oleh tingkat-tingkat sebuah kerangka sebelum mengadopsinya. Pada 16 kerangka kompetensi AI yang didukung secara institusional, penggunaan AI, evaluasi keluaran dan penerapan domain bersifat substantif pada seluruh 16, sementara perumusan masalah (7), kompetensi data (9) dan penciptaan AI (8) tidak; tingkat kemahiran juga menggambarkan perkembangan pembelajar, peran pekerjaan atau jenjang, sehingga tidak dapat dibandingkan secara langsung (Fitsilis (2026)).

• Standar untuk integrasi teknologi: Crompton et al. menggunakan penelitian berbasis desain untuk mengembangkan standar fakultas bagi integrasi teknologi (termasuk AI) di institusi pendidikan tinggi.

• Adopsi dan keyakinan diri: Penelitian adopsi AI oleh guru mengidentifikasi kekhawatiran, dukungan, keyakinan diri, dan sikap sebagai prediktor kunci. Program pengembangan fakultas harus menangani keempatnya.

• Integrasi kurikulum: Kerangka perubahan institusional dan reformasi penilaian menuntut fakultas merancang ulang mata kuliah, bukan hanya menambahkan alat AI.

• Program pelatihan: Kerangka peningkatan keterampilan AI dan pelatihan calon guru berbasis TPACK menyediakan model untuk pendidikan AI fakultas yang terstruktur.

• Refleksi profesional yang dimediasi AI. Reflective Triangle Model memposisikan AI sebagai mediator kognitif pada refleksi diri, refleksi kolaboratif, dan refleksi komunitas dalam sebuah komunitas pembelajaran profesional, yang diuji dalam studi kasus kelayakan empat minggu dengan enam guru; batas yang ditariknya adalah bahwa wawasan individual tidak otomatis menjadi pengetahuan profesional bersama (Nguyen (2026)).

• Tata kelola dan kebijakan: Analisis kebijakan AI institusional mendokumentasikan jurang antara ambisi institusional dan kapasitas dukungan fakultas.

• Literasi AI tidak terlihat secara institusional. Tinjauan sistematis atas 32 studi tentang literasi AI guru bahasa menemukan bahwa literasi itu tidak hadir dalam model beban kerja, kebijakan promosi dan alokasi sumber daya, dengan pengembangan yang terfragmentasi dan akuntabilitas yang teralihkan di antara institusi dan lembaga - sehingga pengembangan literasi jatuh ke usaha individual alih-alih dukungan struktural (Deng, Çelik & Duran, 2026).

Metafora dan bahasa bersama dalam pengembangan pendidikan

Fakultas memegang model mental AI yang heterogen dan sering sangat ambivalen, dan pengembangan yang efektif harus memunculkan serta bekerja dengannya. Gerhardt et al. menunjukkan bahwa instruktur teknik membingkai AI melalui metafora yang sekaligus membangun dan membatasi pemahaman (AI sebagai "asisten" yang mirip manusia vs. "alat" atau "mesin pencari"); karena instruktur dalam departemen yang sama sering memegang konseptualisasi yang secara fundamental berbeda, bahasa bersama yang akurat tentang GAI adalah prasyarat bagi pengembangan fakultas yang efektif dan diskusi adopsi departemen yang produktif.

Metode praktis untuk memunculkan model mental ini adalah lokakarya analisis metafora. Vallis, Wilson & Casey (2025) merancang dan memvalidasi lokakarya kolaboratif berteknologi rendah bagi fakultas, staf, dan siswa untuk mengartikulasikan metafora mereka tentang AI generatif. Metafora peserta mengelompok ke dalam empat kategori - Fungsi (seperti alat: "pisau Swiss army"), Peran (seperti manusia: "pembantu," "musuh sekaligus teman"), Kualitas (tak dapat diketahui: "kotak hitam," "lereng licin"), dan Agensi (mengancam: "pesaing," "robot jahat") - memunculkan ketegangan yang menetap antara Learner Agency manusia vs. mesin dan antara yang diketahui vs. yang tak dapat diketahui. Lokakarya itu membantu peserta memunculkan asumsi, terhubung lintas peran, merasa "tidak sendirian," dan memikirkan Ethics GenAI, tanpa menuntut keahlian teknis. Sebagai alat pengembangan, ia memberi perancang program cara berhambatan rendah untuk memunculkan asumsi sebuah tim sebelum merancang ulang Assessment atau meluncurkan kebijakan, dan untuk menghadapi ketakutan secara langsung - termasuk ketakutan bahwa AI akan menggantikan peran mengajar.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

GenAI sebagai kerja identitas, bukan sekadar peningkatan keterampilan

Pandangan yang diinformasikan oleh konsep ambang membingkai ulang integrasi GenAI sebagai transformasi ontologis bagi fakultas, bukan kesenjangan keterampilan. Dengan menerapkan teori konsep ambang (Meyer & Land), Laidlaw berargumen bahwa GenAI menunjukkan kelima ciri ambang - transformative (merekonstruksi asumsi tentang penilaian, pedagogi, dan peran profesional), troublesome (melanggar keyakinan tentang orisinalitas, agensi manusia, dan usaha-pencapaian), irreversible (tak dapat dibalik), integrative (menghubungkan teknologi, pedagogi, epistemologi, dan identitas), dan bounded (kefasihan GenAI menjadi penanda baru kelayakan profesional).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Dalam kerangka ini, fakultas yang bertanya "apa gunanya mengajar di dunia GenAI?" tidaklah defisien dalam kompetensi; mereka berada dalam fase melintasi ambang yang liminal di mana kecemasan, resistensi, dan kebingungan adalah bagian yang diperlukan dari transformasi, bukan hambatan yang harus dihapus. Pelatihan berbasis keterampilan yang menjawab pertanyaan kompetensi yang tidak sedang diajukan fakultas dapat menjadi periferal terhadap transformasi yang sebenarnya, dan tata kelola yang berniat baik dapat merosot menjadi "ilusi penegakan" - mengomunikasikan aturan alih-alih mendukung perubahan.(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Implikasi desain: lengkapi (jangan gantikan) pembangunan keterampilan dengan praktik yang mendukung identitas - sesi terbuka dengan pertanyaan identitas alih-alih demo teknis, jalankan kohort khas disiplin yang berkelanjutan di mana fakultas mengeksplorasi apa arti GenAI bagi tujuan bidang mereka, ciptakan struktur mentoring sejawat yang menghormati garis waktu transformasi yang berbeda, dan bedakan keraguan berbasis ketakutan (yang memperoleh manfaat dari dukungan) dari non-adopsi berprinsip yang berdasar pada nilai disipliner yang sah (yang layak dihormati).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap) Model lokakarya metafora di atas adalah satu perwujudan konkret dari ini: alih-alih memulai dari peningkatan keterampilan teknis, ia membuka dengan pertanyaan interpretatif yang sarat identitas tentang apa arti GenAI bagi para peserta.

Dukungan empiris bagi pembingkaian kerja identitas. Farazouli et al. (2026) menyediakan bukti kualitatif langsung bagi penjelasan ini: 24 dosen universitas Swedia menggambarkan kemunculan GAI sebagai mengkhawatirkan dan membanjiri, melaporkan "keadaan kerentanan" (keyakinan rendah, ketidakamanan, takut "tidak lebih maju dari mahasiswa") dan merasa "terjebak" di antara wacana utopis dan distopia. Pengetahuan dan pengalaman mereka yang terbatas, bersama perasaan rentan, menyoroti kurangnya kesiapan guru untuk menavigasi, menilai, dan mengadopsi GAI - dan penulis berargumen bahwa institusi harus menyediakan ruang dan waktu yang ditetapkan bagi guru untuk bereksperimen dengan GAI, bertukar ide, dan secara kolaboratif mengembangkan praktik serta pedoman di tingkat institusi, departemen, dan mata kuliah. Ini mendasarkan pendekatan kerja identitas dan berorientasi dukungan pada pengalaman yang dilaporkan guru sendiri, bukan hanya pada teori.

Sebuah program yang menangani pertanyaan identitas secara langsung. Chick, Morello & Staffey (2026) melaporkan institut musim panas enam minggu yang membawa sepuluh dosen dari Pendidikan, Ilmu Kesehatan, Bisnis dan program lain keluar dari kefasihan AI yang rendah (rata-rata penilaian diri 1,89 pada skala enam poin) ke 60% yang melaporkan keyakinan tinggi dalam membimbing penggunaan AI oleh mahasiswa dan 90% persepsi positif, dan mereka menghubungkan pergeseran itu lebih kepada eksperimentasi terstruktur yang aman daripada pelatihan alat, eksperimentasi yang dibuka dengan pertanyaan eksistensial tentang nilai profesional alih-alih dengan demo. Perubahan kosakata adalah penanda yang mereka andalkan: pembingkaian awal AI sebagai "mesin menyontek" atau "kekuatan yang mendemanusiakan" berganti menjadi "asisten yang penasaran", dan empat tema mereka - dari takut ke penasaran, keinginan akan kejelasan etis yang tidak disediakan kekosongan kebijakan, desain inklusif sebagai penguat ekuitas, dan fakultas yang bergerak dari penjaga gerbang menjadi pemandu - menggambarkan reorientasi identitas instruksional yang parsial dan disengaja. Sepuluh rancangan ulang puncak adalah bukti yang lebih keras, dengan delapan dari sepuluh memposisikan AI sebagai penopang yang mendukung alih-alih menggantikan pemikiran, dan pedagogi simbiotik penulis merumuskan apa yang dibangun peserta: desain komplementer, proses transparan, integrasi kritis, penalaran etis yang tertanam dan penghalusan iteratif. Peringatannya bersifat struktural, bukan individual: peserta yang sama menyebut sinyal kebijakan yang saling bertentangan, langganan alat pribadi dan tidak adanya pengurangan beban kerja untuk rancangan ulang itu, sehingga penulis menyimpulkan bahwa resistensi tidak pernah menjadi masalahnya dan bahwa respons parsial yang membiarkan kebijakan dan infrastruktur tak tersentuh akan gagal bahkan pada kohort yang antusias.

Pengembangan sebagai mediasi, dan pertanyaan pertama yang diajukan seorang pengembang. Sithole (2026) mempelajari pengembangan akademik - nama yang lebih tua bagi bidang ini, dan istilah yang digunakan oleh International Journal for Academic Development, yang menerbitkan makalah itu - di dua Institusi Sejarahnya Kurang Beruntung di Afrika Selatan, dan membingkai ulang para pengembang bukan sebagai pelaksana teknis tetapi sebagai mediator digital yang bekerja lintas tiga register: pedagogis (menerjemahkan wacana AI menjadi praktik pengajaran, pembelajaran dan Assessment yang layak), etis (menimbang otomasi terhadap Integritas Akademik, inovasi terhadap kepedulian), dan institusional (bekerja di ruang liminal antara imperatif manajemen dan kepentingan akademik). Dua temuan penting bagi desain program. Pertama, pertanyaan penyaring bersifat kontekstual sebelum teknis - "apa artinya ini bagi pengajaran di sini, bagi mahasiswa kami dari sekolah miskin?" - dan memperlambat adopsi dihitung sebagai bagian dari kerja, bukan resistensi terhadapnya. Kedua, biaya afektif bersifat struktural, bukan personal: para pengembang diharapkan memproyeksikan keahlian dalam alat yang implikasinya masih mereka pikirkan ("saya merasa seperti impostor. Saya belajar AI sambil berjalan, tetapi institusi mengharapkan keahlian"), dan respons mereka adalah pembelajaran profesional sejawat yang diarahkan pada penilaian alih-alih keterampilan, termasuk dengan sengaja mencoba merusak alat itu. Kontribusi analitis makalah ini adalah memisahkan ketidaksetaraan digital, masalah distributif, dari kolonialitas algoritmik, masalah epistemik yang bertahan bahkan pada akses penuh - dan menempatkan keduanya di dalam pendidikan tinggi Global South, di mana kerja pengembangan diharapkan transformatif alih-alih layanan dukungan netral.

Rasa bersalah dan ketidaknyamanan moral sebagai sinyal perkembangan. Vassallo (2026) menyediakan padanan afektif bagi penjelasan identitas. Dalam survei terhadap staf akademik di sebuah universitas Malta (109 respons, tingkat 3,5% yang oleh makalah dibaca sebagai informatif tentang keadaan debat etis itu sendiri), rasa bersalah mengikuti penyembunyian alih-alih pengungkapan - membatasi penggunaan AI karena ketidaknyamanan berkorelasi dengan AI Guilt Index pada r = 0,62 dan menghindari pengungkapan kepada kolega pada r = 0,50 - sementara pengungkapan formal dalam keluaran akademik tidak menunjukkan hubungan (r = 0,08). Hanya 31,2% melihat pedoman institusional yang jelas, dan korelasi antara kejelasan itu dan rasa bersalah yang lebih rendah lemah (r = -0,25, p = 0,010), yang oleh makalah dibaca sebagai bukti bahwa mandat dari atas ke bawah tidak dapat menyelesaikan masalah yang sebagian bersifat emosional dan berbasis identitas. Rekomendasinya langsung bersifat pengembangan: perlakukan rasa bersalah dan kekhawatiran identitas sebagai respons transisional yang normal alih-alih kesalahan yang harus dikoreksi, gunakan eksperimentasi terstruktur berisiko rendah untuk membawa staf melewati kecemasan antisipatif, dan andalkan mentoring oleh akademisi senior, karena rasa bersalah paling tinggi pada staf awal karier (M = 2,71) dan paling rendah pada yang senior (M = 2,03).

Panduan praktis bagi perancang program

Bagi pengembang fakultas, pemimpin akademik, dan perancang instruksional yang merencanakan pengembangan profesional AI, bukti dalam basis pengetahuan ini menyarankan:

Tangani empat pendorong adopsi, bukan hanya pengetahuan. Keyakinan diri, sikap, dukungan, dan kekhawatiran memprediksi apakah fakultas benar-benar mengadopsi AI - lokakarya yang hanya berisi pengetahuan dan mengabaikan hal-hal itu tidak mungkin mengubah praktik. Rancang pengembangan untuk membangun keyakinan diri melalui penggunaan langsung, sediakan dukungan berkelanjutan (bukan pelatihan sekali jalan), dan secara aktif munculkan serta tanggapi kekhawatiran fakultas.(AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes)

Keyakinan diri dan literasi bukan sasaran yang dapat saling dipertukarkan: dalam SEM 502 responden dosen universitas, literasi AI adalah prediktor dominan kesejahteraan AI (β = 0,713) sementara efikasi diri teknologis menyumbang sedikit (β = 0,082), dan dukungan mencapai kesejahteraan hanya secara tak langsung (Liu et al. (2026)).

Perlakukan permintaan akan pedoman dan kecukupan pedoman sebagai dua masalah terpisah. Fakultas di satu universitas sangat mendukung langkah institusional melawan penggunaan AI yang tidak etis (M = 4,59) sementara menilai pedoman yang ada paling rendah (M = 2,99), dan menyebut privasi data serta inklusivitas kultural sebagai pengetahuan terlemah mereka - sasaran konkret bagi pengembangan profesional (Bilgic & Sever, 2026).

Perlakukan kesiapan sebagai masalah keselarasan sosioteksnis. Kerangka EPIQ-AI menunjukkan bahwa kesiapan fakultas mencakup domain epistemik, pedagogis, institusional, dan mutu-dan-kepatuhan. Program yang hanya melatih individu melewatkan tuas institusional (kebijakan, beban kerja, insentif, standar mutu) yang memungkinkan atau menghalangi perubahan - selaraskan tuas-tuas itu bersama pelatihan.(Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity)

Jangan menyamakan investasi infrastruktur dengan transformasi. Pada 125 studi, investasi institusional dalam infrastruktur GenAI dan pengembangan pendidikan hanya berkorelasi lemah dengan perubahan pedagogis yang sebenarnya (r = 0,12), sementara 60-70% instruktur merasa tidak siap mengintegrasikan GenAI - sehingga pengembangan, bukan pengadaan, adalah kendala yang mengikat.(Rathnayake (2026))

Arahkan ke perancangan ulang kurikulum, bukan adopsi alat. Tujuannya adalah fakultas merancang ulang mata kuliah dan penilaian, bukan hanya menambahkan alat AI. Dasarkan pengembangan profesional pada kerja perancangan ulang tingkat mata kuliah dan reformasi penilaian, dan berikan fakultas kerangka terstruktur untuk melakukannya (mis. skala penilaian, kerangka perubahan institusional).(A Framework for Institutional Change in the Age of AI)(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Kumpulkan seluruh desa, bukan individunya. Pada 12 akademisi dan 17 mahasiswa yang diwawancarai, perancangan ulang penilaian era GenAI melampaui kemampuan akademisi mana pun secara individual - proses yang tidak fleksibel, waktu tunggu panjang dan beban kerja disebut sebagai penyebab - sehingga penulis mengusulkan tim tingkat program yang menggabungkan keahlian desain penilaian, GenAI, materi subjek, program dan industri (Nicola-Richmond et al., 2025).

Jalankan rangkaian sesi berdasarkan data ruangan itu sendiri, bukan praktik terbaik impor. Perl-Nussbaum dan Finkelstein (2026) mendokumentasikan model yang telah dikerjakan dari sebuah departemen fisika R1 publik besar: enam sesi dua mingguan berdurasi 60 hingga 75 menit, sembilan belas dosen berpartisipasi sepanjang rangkaian dan sekitar sepuluh di setiap pertemuan, di mana setiap sesi dibuka dengan data lokal atau materi yang bersumber dari departemen, bergerak ke pengujian AI dalam kelompok kecil terhadap pekerjaan rumah mahasiswa yang dianonimkan, dan ditutup dengan diskusi kolektif. Apa yang ditemukan fakultas melalui pengujian lebih berguna daripada paket mana pun yang dapat diimpor fasilitator - AI menyelesaikan setiap masalah yang mereka coba, tetapi umpan baliknya atas karya mahasiswa yang sebenarnya tidak merata, bergantung pada prompt dan berfokus pada permukaan kecuali diberi tujuan dan rubrik yang eksplisit, dan mahasiswa memberi prompt secara dangkal serta memodifikasi keluaran secara superfisial kecuali penggunaan produktif dimodelkan. Keluaran konkret pertamanya adalah repositori hidup berisi lima entri - pernyataan kebijakan silabus, materi diskusi kelas, survei mahasiswa, tugas pekerjaan rumah terintegrasi AI dan struktur penilaian - yang menjelaskan mengapa penulis memperlakukan struktur sesi itu sendiri sebagai argumennya alih-alih konten apa pun yang disampaikannya.

Jangkarkan pada kerangka kompetensi. Pengembangan juga harus membangun literasi prompt pedagogis - kapasitas untuk mengodekan niat pedagogis ke dalam prompt - karena Talebzadeh (2026) menemukan bahwa keahlian pedagogislah, bukan kefasihan AI, yang menentukan kualitas kerja desain berbantuan AI guru.(AI-accelerated End-to-End Framework for Rapid Professional Upskilling)(AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study)(The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework)

Urutkan pemahaman sebelum otomasi. Sebuah analisis wacana kritis atas 14 naskah literatur kelabu yang diterbitkan antara November 2022 dan April 2025 yang menasihati praktisi tentang AI generatif untuk keselarasan konstruktif menemukan bahwa kapasitas harus mendahului akses alat: karena kualitas keterlibatan mendahului kualitas pemahaman dalam kerangka Constructivism, risiko berbanding terbalik dengan keakraban, dan pemula adalah yang paling terekspos pada penerimaan yang digerakkan oleh kemasukakalan atas keluaran yang tampak masuk akal tetapi tipis secara pedagogis. McInnes et al. (2026) lebih lanjut berargumen bahwa unit pengembangan harus menolak penugasan teknis - membantu fakultas "memperoleh kefasihan" dalam alat yang melakukan "kerja berat" desain mata kuliah - karena pembingkaian itu mengunci pengembang di luar lingkar tertutup pendidik-GenAI dan mengubah pengembangan yang dipandu nilai dan relasional menjadi mekanisme mediasi bagi adopsi perangkat lunak. Alternatif yang dapat dipertahankan mempertahankan pengembang pendidikan sebagai kurator dan penentu aturan bagi setiap asisten keselarasan berbasis retrieval-augmented yang dibatasi secara institusional yang mengajukan pertanyaan menyelidik, menandai penilaian yang kurang dan berlebihan serta menghasilkan alternatif tetapi tidak pernah menghasilkan artefak jadi, dengan eskalasi ke penilaian manusia pada hal akreditasi dan lintas program yang diperlakukan sebagai fitur alih-alih pengecualian.

Munculkan dan tangani ketakutan dan model mental. Sebelum merancang ulang pengajaran, gunakan lokakarya analisis metafora (Vallis, Wilson & Casey 2025) untuk memunculkan asumsi dan kecemasan sebuah tim tentang GenAI - termasuk ketakutan bahwa ia akan menggantikan peran mengajar - dan bangun pengembangan yang meresponsnya alih-alih mengabaikannya.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Modelkan literasi AI dan ukur perolehan nyata. Pengembangan fakultas harus mewujudkan sendiri praktik yang diajarkan - menggunakan AI secara pedagogis, mengevaluasi keluaran secara kritis - dan harus menilai kompetensi yang ditunjukkan alih-alih keyakinan yang dilaporkan sendiri, karena persepsi diri secara andal melebih-estimasi keterampilan AI.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)(Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers)

Jangan mengasumsikan keahlian materi subjek terbawa ke GenAI. Sutedjo, Chowdhury & Liu (2026) mensurvei 127 dosen universitas riset AS menggunakan instrumen TPACK-21 dan menemukan bahwa pengetahuan konten (CK) menunjukkan tidak ada korelasi signifikan dengan pengetahuan teknologis atau domain terintegrasi teknologi mana pun (r = 0,11-0,15, ns) - keahlian disipliner tidak memprediksi pengetahuan integrasi GenAI. Domain terintegrasi teknologi (TPK, TCK, TPACK) saling berkorelasi begitu kuat (r = 0,81-0,91) sehingga mungkin berfungsi sebagai satu faktor integrasi GenAI. Secara praktis: bangun integrasi GenAI melalui aktivitas khas disiplin yang menghubungkan afordansi GenAI dengan materi subjek setiap dosen, dan perlakukan domain terintegrasi teknologi sebagai satu fondasi literasi GenAI bersama alih-alih melatihnya sebagai keterampilan terpisah.(Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)

Model ruang kelas pintar khas disiplin. Zhu, Liang, Mao, dan Wang (2026) menunjukkan bagaimana mata kuliah M.Ed. matematika dapat diperkaya dengan teknologi pendidikan cerdas (penilaian otomatis, rekomendasi terpersonalisasi, umpan balik AI multi-bentuk) yang terintegrasi lintas tahap pra-, selama, dan pasca-kelas di dalam kerangka ruang kelas pintar tiga dimensi. Kuasi-eksperimen mereka menemukan perolehan yang signifikan secara statistik dalam kemahiran desain tujuan instruksional, menawarkan D-T-E Model yang dapat ditransfer (Disciplinary Demand-Technological Empowerment-Evaluation Loop) bagi pendidik guru dan pengembang pendidikan yang ingin memindahkan kerangka pendidikan pintar dari konsep makro ke praktik khas disiplin.

Ukur kehadiran, bukan perasaan terlibat. Dalam program Intelligent-TPACK enam bulan untuk 64 dosen universitas, tingkat kehadiran memprediksi perolehan kompetensi AI (β = 0,407, p = 0,001) sementara partisipasi yang dipersepsikan sendiri tidak (β = 0,049, p = 0,692), yang oleh penulis dibaca sebagai investasi perilaku konkret dibandingkan keterlibatan tingkat permukaan (Tan, Cheng & Ling, 2025). Program itu memasangkan kuliah daring dengan tiga lokakarya tatap muka, lalu mewajibkan guru merevisi desain instruksional mereka dan menerapkannya semester berikutnya, dan penulis merekomendasikan mengaitkan kehadiran dengan penilaian kinerja bersama insentif yang bermakna.

Bandingkan dengan apa yang dilaporkan fakultas sendiri. Survei Watson & Rainie (2026) terhadap 1.057 dosen AS menemukan bahwa lapisan institusional tipis dalam cara yang dapat diukur langsung oleh perancang program: 59% menilai sekolah mereka tidak siap menggunakan AI generatif secara efektif untuk menyiapkan siswa bagi masa depan dan 68% mengatakan sekolah itu belum menyiapkan fakultas untuk menggunakannya dalam pengajaran dan mentoring, sementara respons strukturalnya berupa gugus tugas di 55% institusi tetapi luaran pendidikan umum literasi AI hanya di 13%. Fakultas tidak menunggu kebijakan - 87% menulis aturan tingkat tugas mereka sendiri berbanding 48% yang dapat menunjuk aturan institusional - dan mereka menyebut resistensi kolega (82%) dan ketidakakraban (83%), bukan mandat, sebagai hambatan adopsi departemen. Bagi program pengembangan, ini berargumen untuk memperlakukan norma sejawat, bahasa kebijakan tingkat tugas yang dibagi bersama dan ukuran kesiapan institusional yang eksplisit sebagai bagian dari intervensi alih-alih menyerahkannya pada dokumen kebijakan.

Respons instruktur mencerminkan pusat kekuasaan, bukan sikap. Dalam studi kasus instrumental terhadap 33 instruktur penulisan, empat pusat kekuasaan polisentris - tren GenAI global, universitas/departemen, kolega, dan mahasiswa - membentuk praktik, dan pengajar kontrak yang dibatasi kekuasaan diskursifnya beralih dari deteksi ke mengajarkan penggunaan yang dapat diterima (Zuo et al. (2026)).

• Enam keluarga pengembangan profesional, tiga berbukti baik, dan satu pemenang jelas. Tinjauan atas 78 studi tentang desain instruksional berbantuan AI mengurutkan PD yang terdokumentasi menjadi modul tertanam yang ringkas (2-4 minggu), microlearning sepanjang semester, siklus desain berbasis tugas, rantai pertanyaan kolaboratif berbasis dialog, penemuan bersama yang kritis, dan pembelajaran praktisi mandiri. Bukti hasil paling kuat untuk modul tertanam yang ringkas: modul tiga minggu menghasilkan perolehan signifikan secara statistik pada keenam domain Intelligent-TPACK dengan ukuran efek sedang hingga besar, dan program empat minggu dengan 436 calon guru dan satu kondisi kontrol adalah evaluasi terkontrol terkuat dalam korpus (Spyropoulou & Kameas, 2026).
• Tiga fitur desain memisahkan intervensi yang paling berbukti. Etika tertanam sebagai praktik terdistribusi dengan titik pemeriksaan pada setiap tugas alih-alih sesi berdiri sendiri; penilaian kompetensi berbasis kinerja menggunakan rencana pembelajaran, log keputusan dan micro-teaching, yang dimotivasi langsung oleh tidak dapat diandalkannya laporan diri; dan prompt engineering yang dikembangkan sebagai praktik reflektif yang berdasar pedagogis. Adopsi bukan tuas yang sama dengan kinerja: pada 200 guru di Sumatera Utara, penggunaan AI tidak memiliki efek langsung pada kinerja guru (β = 0,112, p = 0,087) sementara perilaku kewargaan organisasional membawanya secara tak langsung, sehingga kerja pengembangan fakultas yang diarahkan pada penggunaan kolaboratif dan di luar peran adalah versi yang didukung bukti (Sherly et al. (2027)). Studi pendamping dua minggu menemukan perolehan cepat dalam pengetahuan dan keyakinan diri sambil mengidentifikasi deteksi bias sebagai kompetensi baru yang terlemah - kesenjangan yang bertahan hingga modul yang lebih panjang, konsisten dengan kapasitas perseptual etis yang berkembang lebih lambat daripada keakraban teknologis.

Miskonsepsi Umum

"Lokakarya keterampilan adalah intervensi yang dibutuhkan pengembangan pendidikan." Kesiapan adalah masalah keselarasan sosioteksnis, bukan defisit individual, yang menjelaskan mengapa "lokakarya AI" berdiri sendiri gagal memenuhi kebutuhan yang hendak diatasinya. Program yang menangani pertanyaan itu secara langsung adalah institut musim panas enam minggu yang membawa sepuluh dosen dari Pendidikan, Ilmu Kesehatan, Bisnis dan program lain melewati kerja tingkat identitas. Durasi dan kohort bukan hal sampingan dalam desain itu; itulah yang membedakannya dari tur fitur.

"Pedoman institusional yang lebih jelas akan menyelesaikan kegelisahan fakultas." Pedoman membantu dan tidak menjangkau masalahnya. Hanya 31,2% staf akademik di sebuah universitas Malta mempersepsikan pedoman institusional yang jelas, dan korelasi antara kejelasan pedoman dan rasa bersalah yang lebih rendah lemah (r = -0,25, p = 0,010). Hubungan yang lemah pada skala itu berarti mandat dari atas ke bawah tidak dapat menyelesaikan apa yang oleh makalah dibaca sebagai masalah yang sebagian emosional dan berbasis identitas - seperlima varians yang dijelaskannya bukanlah seperlima yang penting.

"Rasa bersalah tentang penggunaan AI menandakan pelanggaran aturan." Ia mengikuti penyembunyian alih-alih pengungkapan: membatasi penggunaan AI karena ketidaknyamanan berkorelasi dengan menyembunyikannya, bukan dengan perilaku yang dilarang. Membaca rasa bersalah sebagai bukti pelanggaran karena itu salah mengidentifikasi sumbernya, dan memperlakukannya sebagai sinyal kepatuhan akan mendorong perilaku itu semakin jauh dari pandangan.

"Tingkat respons survei yang rendah berarti fakultas tidak punya perasaan kuat." Makalah itu membaca 109 responsnya (tingkat 3,5%) sebagai informatif tentang keadaan debat etis itu sendiri - respons rendah terhadap pertanyaan tentang ketidaknyamanan adalah temuan tentang ketidaknyamanan itu, bukan ketiadaan ketidaknyamanan. Dan integrasi GenAI yang dibingkai semata sebagai peningkatan keterampilan melewatkan pertanyaan identitas yang sebenarnya diajukan sebagian fakultas: apa gunanya mengajar di dunia GenAI.

Konsep Terkait

• Kompetensi AI Guru
• Pengajaran
• Literasi AI
• Educational AI Policy
• Higher Education
• K-12
• Desain Pembelajaran
• Curriculum Design
• Workplace Learning
• Teacher Education
• Learning Sciences
• Educational Technology Developers
• Stakeholders - Payung: orang dan audiens dalam pendidikan AI (pembelajar, guru, perancang, administrator, pembuat kebijakan)

Artikel Terkait

• Efficiency at what cost? Salvaging constructive alignment from the GenAI hype — Analisis wacana kritis atas nasihat keselarasan GenAI: pengembang diubah menjadi pelatih teknologi

• Designing faculty standards for technology integration in higher education institutions: a design-based research study — Standar fakultas untuk integrasi teknologi (DBR)

• Understanding ethical dimensions of AI in higher education: insights from faculty members and students — Dimensi etis AI: pandangan fakultas dan mahasiswa

• It Takes a Village... Program-Wide Approaches to Redesigning Assessment in a Time of Generative Artificial Intelligence (GenAI)

• It's Like "X": How Engineering Faculty Metaphors Construct (and Constrain) AI Understanding in Engineering Education — Bagaimana Metafora Fakultas Teknik Membangun (dan Membatasi) Pemahaman tentang AI

• Fear and Awe: Making Sense of Generative AI Through Metaphor — Takut dan Kagum: Memaknai AI Generatif Melalui Metafora (lokakarya metafora fakultas/staf/mahasiswa)

• Governing the Unseen: A Systematic Review of AI Literacy among Language Teachers in Higher Education — Mengelola yang tak terlihat: literasi AI di kalangan guru bahasa

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity

• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes

• A Framework for Institutional Change in the Age of AI

• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education

• AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study

• AI-accelerated End-to-End Framework for Rapid Professional Upskilling

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform

• From Prompts to Verified Loops: The PCHL-HE Framework for Generative AI-Assisted Educational and Research Content Creation in Higher Education

• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers

• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025)

• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — GenAI sebagai krisis identitas, bukan kesenjangan keterampilan

• “Will AI steal my glory?”: Power relations perceived by college instructors when grappling with Generative AI — Relasi kuasa yang dipersepsikan dosen perguruan tinggi yang bergulat dengan GenAI dalam penulisan (Zuo, Xu & Dunning 2026)

• The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development — Reflective Triangle Model: AI sebagai mediator kognitif

• Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills — Pengetahuan TPACK-21 yang dipersepsikan sendiri oleh fakultas untuk GenAI (Sutedjo, Chowdhury & Liu 2026)

• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — PD Intelligent-TPACK: kehadiran memprediksi perolehan, partisipasi yang dipersepsikan sendiri tidak

• Improving Instructional Design Proficiency of Master's Students in Mathematics Education Through Intelligent Educational Technologies — Model ruang kelas pintar dan lingkar D-T-E yang meningkatkan kemahiran desain instruksional M.Ed. dalam matematika (Zhu et al. 2026)

• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Arsitektur peran dalam aktivitas kelompok terdiferensiasi yang dirancang AI (Talebzadeh 2026)

• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — Pengalaman dan persepsi dosen universitas tentang GAI: kerentanan, memikirkan ulang penilaian, pembelajaran mahasiswa yang berisiko (Farazouli et al. 2026)

• From fear to innovation: A case study of transformative faculty development for ethical AI integration in higher education — Dari takut ke inovasi: institut fakultas enam minggu, pedagogi simbiotik, dan kondisi institusional yang tidak dapat disediakannya

• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — The AI Guilt Complex: rasa bersalah antisipatif, penyembunyian dan perbedaan tahap karier di kalangan staf akademik (Vassallo 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — Survei AAC&U/Elon terhadap 1.057 dosen AS: ketidaksiapan institusional, tata kelola yang tipis dan jurang kebijakan 87%/48% (Watson & Rainie 2026)

• Beyond the algorithm: academic developers as digital mediators in Global South higher education — Pengembang akademik sebagai mediator digital di pendidikan tinggi Global South: pengembangan sebagai praksis sosioteksnis

• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — Rangkaian Lokakarya untuk Penggunaan AI yang Efektif di Masa yang Tidak Pasti: Membangun Komunitas Pembelajaran Fakultas Fisika

• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — Kesejahteraan AI fakultas mengikuti literasi AI alih-alih efikasi diri teknologis

• The AI Competence Framework Landscape: A Comparative Analysis of Frameworks for Education and Workforce Development — Periksa apa yang digambarkan oleh tingkat-tingkat sebuah kerangka sebelum mengadopsinya