Pendidikan Lingkungan

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

Pendidikan Lingkungan — pengajaran tentang iklim, keberlanjutan, dan dunia alami, yang dalam AI dalam pendidikan telah menjadi dua hal sekaligus: subjek yang dapat didukung AI melalui pembelajaran inkuiri dan situasional, serta biaya yang dibebankan AI, karena model bahasa yang intensif energi dan berjalan di setiap laptop siswa membawa jejak lingkungannya sendiri. Basis pengetahuan memperlakukan kedua belahan itu bersama-sama, karena pendidikan Keberlanjutan yang disampaikan melalui alat berintensitas karbon memunculkan pertanyaan yang tidak dapat dijawab oleh satu kerangka mana pun sendirian.

Pertanyaan yang Perlu Dipertimbangkan

"AI dan pendidikan lingkungan" dapat berarti dua hal yang sangat berbeda: menggunakan AI untuk mengajarkan tentang iklim dan keberlanjutan, dan mengurangi biaya lingkungan dari penggunaan AI di ruang kelas. Mana yang Anda dengar di institusi Anda — dan mana yang memiliki pos anggaran?
Jika sebuah universitas mengajarkan ilmu iklim dengan model bahasa besar yang intensif energi di setiap laptop siswa, apakah ia memajukan pendidikan lingkungan atau melemahkannya? Apa yang harus benar agar jawabannya "keduanya"?
Satu eksperimen menemukan inkuiri berbantuan AI memperbaiki pengambilan keputusan iklim dibandingkan inkuiri saja, dengan perolehan terkonsentrasi pada langkah terlemah. Apakah Anda akan memercayai unit iklim berbantuan AI di kelas Anda, dan apa yang perlu Anda lihat lebih dahulu?
Hampir tidak ada makalah AIED yang melaporkan komputasi atau jejak karbonnya. Apakah dampak Keberlanjutan yang tidak dilaporkan merupakan masalah penelitian, masalah pengadaan, masalah pengajaran, atau bukan salah satunya?

Pendahuluan

Pendidikan lingkungan mengembangkan pemahaman pembelajar tentang sistem ekologis, iklim, dan saling ketergantungan manusia–lingkungan, bersama disposisi dan kompetensi untuk bertindak atasnya — sering kali dibingkai secara institusional sebagai Pendidikan untuk Pembangunan Berkelanjutan (ESD) atau "pendidikan hijau". Dalam konteks AI dalam pendidikan, istilah ini membawa ketegangan yang dihadapi korpus tanpa selalu menamainya: AI sebagai alat untuk pendidikan lingkungan (mengajarkan konten iklim dan keberlanjutan dengan alat generatif) dan jejak lingkungan AI itu sendiri (biaya karbon, air, dan energi dari model yang diterapkan institusi). Ini pertanyaan-pertanyaan berbeda dengan bukti, aktor, dan remedi yang berbeda; mencampuradukkannya — seperti yang dilakukan beberapa makalah dan sebagian besar dokumen strategi — membuat tidak mungkin mengatakan siapa yang akuntabel atas apa.(A Scoping Review of AI for Sustainability and Sustainable AI in Higher Education)(The Environmental Cost of LLMs in AIED: Reporting and Practices)

Dua hal yang disebut "pendidikan lingkungan dengan AI"

AI untuk pendidikan lingkungan — menggunakan AI untuk mengajarkan konten lingkungan, membangun kesadaran keberlanjutan, atau mendukung keterampilan hijau. Belahan ini memiliki kerangka kerja, satu studi survei guru, dan satu eksperimen kelas.
Jejak AI dalam pendidikan — emisi dan penggunaan sumber daya dari model serta infrastruktur yang dipakai untuk mengajar, apa pun subjeknya. Belahan ini memiliki satu tinjauan praktik pelaporan, satu Tolok Ukur rekayasa, dan satu studi antarmuka kecil — dan tidak ada apa pun tentang jejak AI yang digunakan khusus untuk pendidikan lingkungan.

Arus ketiga yang lebih lemah memperlakukan "pembelajaran berkelanjutan" sebagai sifat pedagogis alih-alih sifat lingkungan: pembelajaran yang bertahan dan bertransfer alih-alih diputus oleh Offloading Kognitif. Ia berbagi kosakata keberlanjutan tetapi bukan klaim lingkungan.(Fostering Sustainable Learning via Embodied Intelligence: The E3-HOT Framework for Higher-Order Thinking in the AI Era)

Mengajarkan topik lingkungan dan iklim dengan AI

Bukti terkuat adalah kuasi-eksperimen tiga kelompok yang menggunakan perubahan iklim sebagai isu sosio-ilmiah. Siswa yang bekerja dengan mitra AI di dalam tugas inkuiri terstruktur mengungguli rekan yang hanya berinkuiri (d = 0.69) dan pengajaran tradisional (d = 1.88) pada rubrik pengambilan keputusan, dengan perolehan terbesar pada langkah yang paling lemah saat siswa memasukinya — pemantauan dan pengelolaan adaptif, serta penciptaan alternatif. Kondisi AI bersifat tambahan terhadap inkuiri alih-alih penggantinya, dan pengumpulan serta analisis data sama sekali tidak memisahkan kelompok, yang mengisyaratkan AI mendukung penalaran tentang trade-off alih-alih pengumpulan bukti.(Can AI-Assisted Inquiry Enhance Students' Decision-Making Skills in Socio-Scientific Issues? A Three-Group Experimental Study on Climate Change)

Pada tingkat kurikulum, kerangka AI-SEE mengintegrasikan AI di sepanjang kurikulum teknik pada empat pilar (digerakkan kecerdasan, diberdayakan hijau, dipimpin tanggung jawab, terintegrasi praktik) alih-alih sebagai modul keberlanjutan tempelan; sebuah uji coba dengan 144 siswa melaporkan perolehan kesadaran keberlanjutan dan keterlibatan perilaku di tingkat personal, akademik, profesional, dan sosial. Para penulis memperingatkan bahwa ini adalah bukti wawancara satu institusi, laporan diri, satu titik waktu, dari satu program transportasi Tiongkok.(Enhancing Sustainability Consciousness in Higher Education: Impacts of Artificial Intelligence-Integrated Sustainable Engineering Education)

Dua studi yang lebih kecil mencakup sisi desain. Desain instruksional berbantuan AI di bawah kendala Pedagogi Pembangunan Berkelanjutan memperbaiki rencana pembelajaran guru prajabatan dengan efek yang tidak masuk akal besarnya (d = 2.80, 28 tim, tanpa kelompok kontrol). Secara terpisah, studi persamaan struktural atas 122 guru dalam jabatan menemukan penggunaan AI yang praktis pada tugas sains dan energi hijau plus keterlibatan dalam mengembangkan materi selaras ESD memprediksi kapabilitas integrasi AI, sementara pengetahuan dan sikap AI yang abstrak tidak — meskipun kuesioner dikotomis dan konstruk pengetahuan yang lemah membatasi seberapa jauh temuan ini berlaku.(The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints)(Teacher Involvement in Developing Sustainable Education Materials for AI Integration in Green Energy Education)

Jejak lingkungan AI dalam pendidikan

Belahan inilah tempat korpus paling tipis. Tinjauan atas seluruh 396 makalah prosiding AIED 2025 menemukan "adopsi LLM tanpa pengungkapan": sebagian besar proyek menggunakan LLM, 85 makalah melaporkan biaya komputasi apa pun, dan hanya 57 menyebut dampak lingkungan — dengan metrik yang tidak kompatibel, sehingga bidang ini tidak dapat mengagregasi buktinya sendiri. Para penulis berargumen bahwa kegagalan melaporkan biaya lingkungan itu sendiri merupakan persoalan etis, dan mengusulkan metode Sumber Terbuka (CodeCarbon plus estimasi FLOPs dua parameter untuk model berpemilik).(The Environmental Cost of LLMs in AIED: Reporting and Practices)

Di sisi pembelajar, antarmuka umpan balik ekologis yang menyingkap trade-off latensi–karbon selama penggunaan LLM langsung diteliti pada 89 mahasiswa sarjana ilmu komputer dalam kursus etika komputasi: siswa memilih mode berkarbon lebih rendah pada sekitar 45% interaksi berlatensi rendah tetapi di bawah 5% pada latensi tinggi, dan kesadaran keberlanjutan secara signifikan menaikkan pilihan itu. Sampelnya kecil dan secara teknis luar biasa terinformasi, tetapi ini satu-satunya bukti langsung dalam korpus bahwa informasi jejak sama sekali menggerakkan pembelajar — dan hal itu mengisyaratkan bahwa kendala pengikatnya adalah kesabaran, bukan nilai.(When LLMs Slow Down: How Environmental Impacts Mediate University Students' LLM Usage)

Bukti mitigasi datang dari asisten basis pengetahuan CS on-premise di satu GPU konsumen (12 GB VRAM) dengan konten berlisensi terbuka: 1.8 mWh per kueri pada kondisi terbaik — sekitar 0.54 Wh untuk kelas berisi 30 siswa yang masing-masing mengajukan sepuluh kueri — dengan penyetelan halus berbasis kuantisasi yang menahan baik penurunan akurasi maupun kenaikan halusinasi yang ditimbulkan kompresi saja. Ini tolok ukur rekayasa, bukan studi pembelajaran, tetapi ia menunjukkan pertanyaan jejak memiliki tuas desain (grounding, kuantisasi, lokasi penerapan), bukan hanya tuas disiplin penggunaan.(Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources)

Keterampilan hijau, kesadaran keberlanjutan, dan kapasitas guru

Secara bersama, studi-studi ini menggambarkan agenda keterampilan hijau yang disampaikan secara tidak merata: kesadaran keberlanjutan sebagai hasil kurikuler, pengembangan materi selaras ESD sebagai mekanisme kapabilitas guru, dan pengambilan keputusan iklim sebagai keterampilan penalaran yang terukur. Arus kritis-nilai memasok kaveatnya: sebuah analisis konseptual berargumen bahwa kontribusi AI bagi pendidikan berkelanjutan bersifat kondisional dan termediasi tata kelola, mendukung keberlanjutan hanya ketika adopsi disubordinasikan pada nilai pendidikan yang eksplisit dan tujuan yang berpusat pada manusia — yang menempatkan Tata Kelola AI dan pedagogi kritis di dalam pendidikan lingkungan alih-alih di sampingnya.(Sustainable Education in the Age of Artificial Intelligence and Digitalization: A Value-Critical Approach)

Tinjauan pelingkupan yang mengorganisasi literatur ini memasok putusan bidang itu sendiri tentang skala: aplikasi mengelompok pada manajemen energi, pemantauan iklim, dan program kampus hijau, tetapi terbatas skalanya, sering tidak memiliki pedoman etis atau lingkungan, dan banyak penelitiannya tetap konseptual atau uji coba kecil. Cakupannya miring ke Amerika Utara dan Eropa, dengan hampir tidak ada dari Global South selain beberapa studi Afrika Selatan.(A Scoping Review of AI for Sustainability and Sustainable AI in Higher Education)

Apa yang belum dapat ditetapkan oleh bukti

Tidak ada bukti jejak khusus untuk pendidikan lingkungan. Angka karbon dan energi berasal dari studi LLM umum dan satu tolok ukur konteks CS; tidak ada yang mengukur biaya lingkungan dari kurikulum iklim atau ESD yang didukung AI.
Tidak ada bukti perolehan belajar untuk intervensi jejak. Umpan balik ekologis mengubah pilihan dalam studi mirip laboratorium; tidak ada yang menunjukkan ia mengubah kebiasaan, hasil penilaian, atau pengadaan.
Tidak ada bukti kausal untuk kerangka kurikulum. AI-SEE adalah kasus laporan diri satu lokasi dan E3-HOT merupakan cetak biru desain tanpa studi yang diterapkan; hasil desain pembelajaran SDP tidak memiliki kelompok kontrol.
Tidak ada bukti berskala besar atau lintas konteks. Setiap hasil empiris di sini bersifat satu lokasi, dan studi guru bertumpu pada sampel purposif kecil dengan instrumen lemah.
Kedua belahan jarang diteliti bersama, meskipun keduanya menyangkut ruang kelas yang sama.

Implikasi bagi AI dalam pendidikan

Namai pertanyaan mana yang Anda jawab. Strategi yang memakai "keberlanjutan" untuk baik AI-untuk-pengajaran-iklim maupun jejak AI sendiri menyembunyikan kesenjangan akuntabilitas yang diidentifikasi Daniel dkk. (2026); pisahkan agendanya, dengan pemilik yang terpisah.
Perlakukan pengungkapan jejak sebagai infrastruktur bidang. Melaporkan komputasi dan karbon di samping akurasi — dengan pernyataan keberlanjutan bahkan ketika pengukurannya tidak sempurna — adalah satu-satunya jalan keluar dari masalah metrik yang tidak kompatibel.
Rancang untuk pembelajar yang tidak sabar. Jika pilihan berkarbon lebih rendah berbiaya latensi yang dirasakan, sebagian besar siswa tidak akan mengambilnya: jaga latensi tetap rendah, tampakkan kendali, dan jelaskan dampaknya dalam istilah hasil yang konkret, bukan satuan karbon abstrak.
Utamakan penerapan yang lebih ringan ketika pedagogi memungkinkan. Membumikan model pada korpus lokal berlisensi dan mengkuantisasinya dengan penyetelan halus memberi akurasi terpakai dengan sebagian kecil energi — gunakan kembali pola itu sebelum menskalakan inferensi awan.
Bangun kapabilitas guru melalui pengembangan materi, bukan kampanye kesadaran, dan isilah kesenjangan Global South alih-alih mengimpor bukti dari konteks Amerika Utara dan Eropa.

Miskonsepsi Umum

"AI dalam pendidikan lingkungan terutama memasok informasi." Perolehan yang terukur ada pada pengambilan keputusan: siswa yang bekerja dengan mitra AI di dalam tugas inkuiri terstruktur mengungguli rekan yang hanya berinkuiri (d = 0.69) dan pengajaran tradisional (d = 1.88) pada ukuran pengambilan keputusan, dengan perolehan terkonsentrasi pada langkah terlemah. Efeknya ada pada kualitas penalaran, di titik-titik ketika siswa paling lemah.
"Inkuiri saja adalah bahan aktifnya." Inkuiri berbantuan AI memperbaiki pengambilan keputusan iklim dibandingkan inkuiri saja, sehingga kontribusi AI bersifat tambahan terhadap struktur pedagogis alih-alih dapat dipertukarkan dengannya.
"Efek besar dari sampel kecil tetap efek besar." Desain instruksional berbantuan AI di bawah Pedagogi Pembangunan Berkelanjutan memperbaiki rencana pembelajaran guru prajabatan dengan d = 2.80 dari 28 partisipan — kata para peninjau sendiri adalah tidak masuk akal besarnya, dan efek sebesar itu dari sampel tersebut harus diperlakukan sebagai sinyal alih-alih estimasi.

Konsep terkait

Metadata

Disiplin	Environmental Education
Pembelajaran dan pengajaran	Pembelajaran Berbasis Inkuiri, Pembelajaran Tersituasi, Pedagogi Kritis
Teknologi dan teknik	AI Generatif, Model Bahasa Besar (LLM), Sumber Terbuka
Institusi dan kebijakan	Kebijakan AI Pendidikan, Tata Kelola AI
Kesetaraan, etika, dan penggunaan yang bertanggung jawab	Keberlanjutan, Etika, Global South
Dasar-dasar AI dalam pendidikan	AI dalam Pendidikan

Sumber Riwayat Sunting Obrolan