Pendidikan Teknik

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

Pendidikan teknik — studi tentang bagaimana siswa belajar teknik dan bagaimana mengajarkannya secara efektif, mencakup bagaimana AI mengubah pedagogi teknik, penilaian, pengembangan fakultas, dan tenaga kerja teknik. Artikel pendidikan teknik dalam basis pengetahuan ini mengelompok di sekitar beberapa tema: bahasa figuratif yang digunakan instruktur untuk memahami AI, tata kelola etis penggunaan AI, penilaian terwujud dan multimodal atas pemahaman konseptual, dan bagaimana AI membentuk ulang tenaga kerja teknik dan komputasi.

Pertanyaan yang Perlu Dipertimbangkan

Teknik adalah profesi di mana keputusan lulusan memengaruhi keselamatan publik dan infrastruktur. Jika siswa mengandalkan AI untuk melakukan pekerjaan desain dan Pemecahan Masalah, apa yang dipertaruhkan yang tidak akan menjadi masalah dalam mata pelajaran yang murni akademis?
Instruktur teknik di departemen yang sama sering memiliki model mental AI yang fundamental berbeda — sebagian melihatnya sebagai 'agen' sosial, yang lain sebagai 'alat' teknis. Bagaimana pembingkaian yang berbeda itu mungkin mengubah apa yang dipelajari siswa untuk dilakukan dengan AI, tergantung instruktur mana yang mereka dapatkan?
Laboratorium praktik dan pembelajaran terwujud telah lama mendefinisikan pendidikan teknik. Jika AI dapat menyimulasikan atau bahkan mengotomatisasi tugas desain, apakah pengalaman praktik masih penting — atau ada sesuatu yang benar-benar hilang ketika praktik menjadi simulasi?
Satu garis penelitian menilai pemahaman teknik dengan melacak gestur siswa bersama tuturannya, menemukan bahwa kopling gestur–tutur yang erat menandakan pemahaman konseptual yang koheren. Apa yang bisa diungkap tangan siswa tentang pemahaman yang mungkin disembunyikan kata-katanya sendiri?
Penelitian menemukan bahwa panduan etis tentang AI dalam teknik sebagian besar berorientasi pada siswa dan berorientasi kepatuhan, dengan akuntabilitas timbal balik yang lemah bagi fakultas dan institusi. Siapa yang seharusnya bertanggung jawab atas penggunaan AI yang aman dalam teknik?

Pendahuluan

Penelitian pendidikan teknik bersifat khas karena berada di persimpangan pembentukan profesional dan konten STEM yang ketat. Bidang ini menekankan desain, pemecahan masalah, pembelajaran praktik dan laboratorium, kerja tim, dan mempersiapkan lulusan untuk praktik profesional. Desain juga merupakan landasan yang dibagikannya dengan Pendidikan Desain, dan keduanya membaginya berdasarkan apa yang dapat diperiksa: objek yang dinilai dalam teknik menerima artefak yang dapat dihitung dan membawa akuntabilitas keselamatan publik, sementara objek pendidikan desain adalah proses studio di balik artefak — sketsa, iterasi, kritik — bukti yang justru dapat dihasilkan alat generatif sekarang tanpa proses yang dahulu menghasilkannya. AI memunculkan pertanyaan khas di sini: apakah pengalaman praktik dan terwujud masih penting ketika AI dapat menyimulasikan atau mengotomatisasi tugas desain; taruhan profesional dan etis penggunaan AI (keputusan insinyur memengaruhi keselamatan publik, infrastruktur, dan Keberlanjutan); dan bagaimana AI membentuk ulang kompetensi yang dibutuhkan lulusan serta tenaga kerja yang mereka masuki.

Bagaimana AI muncul dalam penelitian pendidikan teknik basis pengetahuan ini

Pemahaman fakultas dan bahasa bersama: Gerhardt et al. menganalisis metafora yang digunakan instruktur teknik untuk mendeskripsikan AI, menemukan bahwa sebagian besar membingkainya entah sebagai "makhluk/agen sosial" yang mirip manusia atau sebagai "alat teknis," dan bahwa instruktur dalam departemen yang sama sering memiliki model mental yang fundamental berbeda. Karena metafora sekaligus membangun dan membatasi pemahaman, mereka berargumen bahwa bahasa bersama yang akurat sangat penting untuk Pengembangan Pendidikan dan diskusi departemen tentang AI.
Etika dan penggunaan yang bertanggung jawab: Osunbunmi et al. meninjau secara sistematis studi empiris tentang AI dalam pendidikan teknik sarjana, mengidentifikasi tujuh bentuk panduan etis berulang (transparansi, akuntabilitas, kemandirian/agensi siswa, privasi, Integritas Akademik, keadilan/keadilan/bias, berbuat baik). Mereka menemukan bahwa panduan etis sebagian besar berorientasi pada siswa dan berorientasi kepatuhan, dengan akuntabilitas timbal balik fakultas dan institusi yang kurang berkembang — kekhawatiran yang diperkuat oleh kepentingan langsung teknik dalam keselamatan publik dan Kesejahteraan sosial.
Penilaian terwujud dan AI Multimodal: Morphew et al. mengembangkan kerangka multimodal yang mengintegrasikan pelacakan gestur berbasis computer vision dengan analisis Model Bahasa Besar (LLM) atas tuturan untuk menilai pemahaman konseptual statistik mahasiswa teknik, menunjukkan bahwa gestur menambah bukti diagnostik di luar tuturan dan bahwa kopling gestur–tutur yang erat menandakan pemahaman yang koheren.
Transformasi tenaga kerja: Fletcher et al. meninjau literatur kelabu Amerika Serikat tentang AI dan tenaga kerja teknik/komputasi, membingkai "Dual Train Problem" (perubahan cepat vs. kebijakan yang mendesak) dan merekomendasikan kompetensi AI yang tahan lama, Etika dan Tata Kelola AI, serta kredensial berbasis keterampilan untuk peran yang muncul.
Adopsi dan ketergantungan siswa: Nguyen et al. memperluas Technology Acceptance Model dengan critical use untuk memodelkan bagaimana mahasiswa teknik/ilmu komputer membentuk niat menggunakan GenAI dan bagaimana niat itu memprediksi ketergantungan pada tugas pemahaman, penilaian, pemrograman, dan proyek teknik — menemukan ketergantungan yang moderat dan tepat serta penggunaan berat untuk tugas terkait pemahaman tetapi penggunaan terbatas untuk penulisan asesmen penuh. Asag & Al Mamun mengintegrasikan TAM dengan UTAUT untuk memodelkan adopsi mahasiswa teknik Bangladesh, menjelaskan 64% varians penggunaan dan menyoroti relevansi pekerjaan, kemampuan demonstrasi hasil, dan norma subjektif sebagai pendorong utama.
Strategi prompting memprediksi kinerja, bukan volume penggunaan: di antara 128 mahasiswa teknik tahun keempat, AI Query Efficiency dan AI-Driven Problem-Solving adalah prediktor terkuat keberhasilan akademik dan tetap signifikan setelah mengontrol IPK kumulatif (Isaza Dominguez et al. (2026)).
Metafora siswa sendiri melampaui apa yang diberikan alat: Kudina (2026) menemukan 100 mahasiswa teknik paling menghargai LLM untuk dukungan penulisan, klarifikasi konseptual, dan pengodean, namun membingkainya sebagai "oracle" dan "tutor" — otoritas dan personalisasi yang tidak dapat disediakan pembangkit teks probabilistik, sebuah "optimisme kejam" yang bergantung pada keterampilan verifikasi yang masih sedang dibangun siswa.
Sematkan AI dalam disiplin, bukan di sampingnya: kurikulum teknik termal berbasis proyek melipat machine learning ke dalam topik termal yang ada di tingkat pengantar, penerapan, dan lanjutan alih-alih menambahkan mata kuliah ilmu komputer, dan mahasiswa sarjana dengan syarat masuk minimal menghasilkan proyek lebih lemah daripada rekan pascasarjana (Li et al. (2026)).
Tutor AI dan umpan balik untuk mata kuliah teknik kuantitatif: Yin et al. (2026) memperkenalkan Arthur, asisten pengajar AI yang memberikan umpan balik real-time dan personal atas Calculated Formula Questions dalam mata kuliah Ekonomi Teknik sarjana — domain di mana solusi tidak terstruktur berbasis pena dan kertas menghalangi dukungan AI sebelumnya. Pipeline siklus hidup penuhnya (menyeleksi kiriman tulisan tangan yang telah dinilai sebelumnya, augmentasi data dengan penyamaran acak, tulang punggung diagnosis XGBoost per pertanyaan, dan antarmuka web bank soal berbasis dialog) menawarkan jalur yang dapat diskalakan untuk umpan balik AI di mata kuliah teknik yang kekurangan data digital terstruktur, dan kerangkanya dirancang untuk digeneralisasi ke CFQ di disiplin teknik lain.
AI untuk keberlanjutan, terintegrasi alih-alih modular. Kerangka AI-SEE empat pilar (digerakkan kecerdasan, diberdayakan energi hijau, memimpin tanggung jawab, terintegrasi praktik) mendistribusikan AI di seluruh mata kuliah teknik; dalam kasus teknik transportasi dengan 144 siswa, siswa melaporkan keterlibatan pada tingkat personal, akademik, profesional, dan sosial, dengan penalaran keberlanjutan terbawa ke keluarga dan jaringan teman sebaya (Liu et al. (2026)).
Studio yang kaya alat dapat menekan efikasi tanpa memperbaiki produk. Dalam studio desain arsitektur dengan 27 siswa, tim yang menggunakan pipeline AI generatif plus XR menunjukkan penurunan pra–pasca yang lebih besar dalam Efikasi Diri desain (β = −1.675) dan ekspektasi hasil (β = −2.088) dibandingkan kelompok kontrol, sementara satu headset per siswa tidak menghasilkan kolaborasi yang terkoordinasi (Xiao et al., 2026).
Pilihan model, bukan prompting, menentukan keandalan umpan balik saat ditantang. Apostolakis et al. (2026) membangun 200 soal rangka dua dimensi terverifikasi dan menempatkan tiga belas model melalui tiga sikap: menyelesaikan, mengonfirmasi solusi benar yang diyakini siswa salah, dan menemukan kesalahan yang disuntikkan. Akurasi penyelesaian berkisar dari 64.5% hingga 97.0% dan setiap model menangkap setidaknya 90.4% kesalahan yang disuntikkan, sehingga keduanya tidak memisahkan bidang; ketahanan terhadap tantanganlah yang memisahkan, berkisar dari 46.5% hingga 98.5%. Untuk mata kuliah statika, risiko tutoring bukanlah jawaban akhir yang salah melainkan model yang menyetujui ketika siswa keliru meragukan pekerjaan yang benar, dan penulis mencatat bahwa jika keandalan mengikuti tingkat berbayar, umpan balik yang diterima siswa akan bervariasi sesuai dengan apa yang dapat dilisensikan institusi mereka.

Perhatian khas

Perhatian khas pendidikan teknik membentuk bagaimana AI diambil: pembelajaran praktik dan laboratorium (dan apa yang hilang ketika AI menyimulasikan praktik), pembentukan profesional (tanggung jawab etis, keselamatan, dan dampak sosial), desain dan pemecahan masalah (seberapa banyak kerja kognitif yang seharusnya dilakukan AI), dan persiapan berbasis kompetensi untuk tenaga kerja. Hal ini menjadikan pendidikan teknik situs kaya untuk mempelajari apakah AI menambah atau menggantikan kerja kognitif yang esensial bagi keahlian profesional — sejalan dengan debat di Pendidikan Fisika, Pendidikan Matematika, dan Pendidikan Ilmu Komputer.

Koneksi ke konsep terkait

Pendidikan teknik berada dalam Pendidikan STEM dan terhubung kuat ke Pendidikan Ilmu Komputer (komputasi dan rekayasa perangkat lunak), Pendidikan Matematika dan Pendidikan Fisika (fondasi matematis dan fisik teknik), Pembelajaran di Tempat Kerja dan Pengembangan Pendidikan (persiapan tenaga kerja dan instruktur), Penilaian dan Etika (taruhan profesional dan evaluatif AI), serta Pendidikan Tinggi (konteks institusional). Ini disiplin asal bagi artikel basis pengetahuan bersumber ASEE.

Sub-bidang yang kurang tercakup

Cakupan pendidikan teknik dalam basis pengetahuan ini masih berkembang. Sub-bidang yang perlu artikel tambahan meliputi pedagogi teknik yang spesifik disiplin (pendidikan teknik mesin, sipil, kimia, elektro, perangkat lunak, dan bioengineering), pendidikan desain dan maker, capstone dan pembelajaran berbasis proyek, serta pendidikan etika teknik — di mana peran AI kemungkinan sangat konsekuensial.

Celah itu tidak lagi kosong di satu area: program teknik biomedis tiga tahun menjalankan AI generatif sebagai perancah peringkasan pengetahuan dan pengodean terjaga dalam urutan PBL empat modul — alat yang disetujui, tanpa data pasien, log pengungkapan — dan melaporkan tingkat A sebesar 66.4% dibandingkan 39.1% untuk kohort pra-AI (Nnamdi et al. (2026)).

Implikasi bagi instruktur teknik

Bangun bahasa bersama yang akurat tentang AI. Penelitian metafora fakultas menemukan instruktur memiliki model mental yang fundamental berbeda (agen vs. alat); selaraskan pemahaman departemen sebelum membuat kebijakan.
Tutup celah etika-ke-akuntabilitas. Tinjauan etika menemukan panduan sebagian besar berorientasi pada siswa dan berorientasi kepatuhan; perkuat akuntabilitas timbal balik fakultas dan institusi, mengingat kepentingan teknik dalam keselamatan publik.
Gunakan penilaian multimodal dan terwujud. Penilaian gestur + tuturan menambah bukti diagnostik di luar bahasa semata — pertimbangkan isyarat terwujud saat mengevaluasi pemahaman konseptual.
Siapkan siswa untuk tenaga kerja, bukan hanya untuk mata kuliah. Dual Train Problem mendorong kompetensi AI yang tahan lama, etika/tata kelola, dan kredensial berbasis keterampilan yang selaras dengan peran yang muncul.
Contohkan penggunaan kritis dan ketergantungan yang tepat. Penelitian TAM penggunaan kritis menunjukkan siswa sangat bergantung pada AI untuk tugas pemahaman tetapi lebih sedikit untuk asesmen — arahkan mereka menuju ketergantungan yang tepat dan dapat diverifikasi di seluruh jenis tugas.
Ajarkan penggunaan AI sebagai keterampilan di dalam waktu kelas. Geng et al. (2026) menjalankan sembilan demonstrasi yang dipimpin instruktur, masing-masing 10–15 menit di akhir kuliah dan diurutkan dari literasi alat melalui delegasi strategis hingga evaluasi model — tetapi siswa yang tidak melihat kaitannya dengan asesmen menilainya berlebihan, jadi kaitkan dengan pekerjaan yang dinilai.

Miskonsepsi Umum

"Adopsi AI di kalangan mahasiswa teknik adalah masalah penerimaan teknologi." Asag dan Al Mamun mengintegrasikan TAM dengan UTAUT untuk memodelkan adopsi mahasiswa teknik Bangladesh, menjelaskan 64% variansnya — sehingga sebagian besar berada di luar konstruk penerimaan, dalam faktor sosial dan kognitif yang tidak dicakup model.
"Siswa menggunakan AI untuk hal yang paling dikuasainya." Kudina (2026) menemukan 100 mahasiswa teknik paling menghargai LLM untuk dukungan penulisan, bukan untuk penalaran teknik. Metafora mereka tentang alat itu melampaui yang diberikannya, dan penggunaan aktual mereka mengikuti kemudahan alih-alih kapabilitas.
"Tumpukan alat yang lebih kaya memperbaiki hasil desain." Dalam studio desain arsitektur 27 siswa, tim yang menggunakan pipeline AI generatif plus XR menunjukkan efikasi yang tertekan tanpa produk yang membaik. Kekayaan alat dapat mengorbankan keyakinan tanpa mengubah artefak.

Konsep terkait

Metadata

Disiplin	Engineering Education, Stem Education
Tingkat	Higher Ed
Audiensi sasaran	Learners, Instructors, Faculty Developers
Pembelajaran dan pengajaran	Pembelajaran di Tempat Kerja
Asesmen dan pengukuran	Penilaian
Kesetaraan, etika, dan penggunaan yang bertanggung jawab	Etika
Dasar-dasar AI dalam pendidikan	Literasi AI, Pengembangan Pendidikan

Sumber Riwayat Sunting Obrolan