Keadilan

Di halaman ini

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

Keadilan — prinsip bahwa AI harus melayani semua pembelajar secara adil, sekaligus kajian atas kesenjangan sistemik dalam akses ke, representasi di dalam, dan manfaat dari alat pendidikan AI. Penelitian keadilan dalam basis pengetahuan ini mengkaji kesenjangan akses dan kesenjangan digital, bias dan keadilan dalam sistem AI, desain yang responsif budaya dan inklusif secara linguistik, aksesibilitas bagi pembelajar dengan disabilitas, serta distribusi manfaat dan kerugian AI antarkelompok. Ia menghubungkan yang teknis (mitigasi bias, algoritme yang adil) dengan yang struktural (infrastruktur, kebijakan) dan yang pedagogis (pengajaran yang relevan secara budaya).

Pertanyaan untuk Dipertimbangkan

Menyediakan alat AI bagi sebuah sekolah atau kelas tidak otomatis menutup kesenjangan capaian — kenyataannya, akses semata justru dapat melebarkannya. Jika 'akses tidak cukup', apa lagi yang harus ada agar AI benar-benar melayani semua pembelajar secara adil?
Bahkan data yang dipakai untuk mensimulasikan pembelajar pun membawa bias: ketika LLM menghasilkan vignette siswa, model yang berbeda menghasilkan lebih banyak profil Global North atau Global South serta pronomina bergender. Seberapa jauh kita harus memercayai representasi pembelajar yang dihasilkan AI ketika modelnya sendiri menyandikan prior yang tidak merata?
Keadilan dalam pendidikan AI sering dibingkai pada tiga persoalan: siapa yang mendapatkan alatnya (akses), siapa yang terwakili di dalamnya (representasi), dan siapa yang memperoleh manfaat (luaran). Dapatkah Anda memikirkan situasi ketika suatu kelompok memperoleh akses tetapi tetap tidak memperoleh manfaat? Apa yang menjelaskan celah itu?
Penelitian tentang 'kesunyian struktural' berargumen bahwa penutur bahasa yang kurang terwakili dirugikan oleh infrastruktur AI — korpus pelatihan, tokenisasi, tolok ukur — sebelum model apa pun dilatih. Jika kerugian itu sudah tertanam dalam infrastruktur, dari mana perbaikannya harus dimulai?

Pendahuluan

Keadilan dalam pendidikan AI membahas tiga persoalan yang saling tumpang tindih: siapa yang mendapatkan alat AI (akses), siapa dan apa yang terwakili dalam sistem AI (representasi), dan siapa yang memperoleh manfaat (luaran). AI dapat melebarkan sekaligus mempersempit kesenjangan yang ada bergantung pada desain, infrastruktur, dan kebijakan. Keadilan karena itu merupakan lensa lintas bidang yang diterapkan pada keadilan algoritmik, akses digital, inklusi linguistik, Aksesibilitas, dan pengajaran yang relevan secara budaya.

Keadilan akses dan infrastruktur

Kesenjangan digital: Akses yang tidak setara terhadap alat pembelajaran berbasis AI lintas garis sosial-ekonomi, wilayah, dan negara merupakan hambatan mendasar. Bukti mendokumentasikan bagaimana manfaat AI generatif terdistribusi tidak merata antarnegara dan antarlembaga.
Mutu alat adalah bagian dari kesenjangan, bukan hanya aksesnya: Canonigo (2026) mengirimkan 50 prompt matematika masing-masing tiga kali ke tingkat gratis dan premium dari model yang sama dan menemukan tingkat gratis tidak akurat pada 49 dari 150 responsnya (32,7%) berbanding 18 dari 150 (12%) pada tingkat premium (χ2(1) = 17,5, p < 0,001); guru di sekolah yang lebih kekurangan sumber daya di antara dua sekolah penelitian itu menyebut model gratis "nyaris tidak berguna untuk matematika". Penulisnya membaca ini sebagai kesenjangan algoritmik yang memperluas Kesenjangan Digital melampaui akses perangkat hingga ke mutu alat itu sendiri, sehingga sekolah dengan "akses AI" masih bisa saja memberikan tutor yang secara material kurang andal kepada siswanya, dengan catatan mereka sendiri bahwa perbandingan itu eksploratif dan prompt-nya tidak diacak, membuat besaran celahnya bersifat indikatif dan belum mapan. Studi yang sama menunjukkan arah celah itu tidak ditentukan oleh alatnya: ketika guru mewajibkan siswa membandingkan keluaran AI dengan pekerjaannya sendiri dan memberi prompt awal agar model menahan solusi, keluarannya menjadi artefak untuk dikritik, sementara kelas tanpa mediasi melihat siswa lebih dulu berkonsultasi dengan algoritme dan guru menjadi pemvalidasi ("Saya bukan lagi oracle; saya editornya").
Akses tidak cukup: Menyediakan alat AI tanpa menangani hambatan struktural tidak menutup kesenjangan — akses harus dipasangkan dengan keterampilan, dukungan, dan kondisi yang memungkinkan penggunaan yang sungguh-sungguh.

Dukungan yang terdiferensiasi bukan bukti manfaat yang adil: tinjauan atas tutor AI dalam matematika menemukan klaim inklusivitas tidak didukung karena studi jarang menguji apakah perolehan terdistribusi secara konsisten lintas kelompok kemampuan, gender, sosial-ekonomi, linguistik, disabilitas, dan geografis, sehingga belum terbukti bahwa sistem ini mengurangi kesenjangan capaian (Ogunsakin et al. (2026)).

Tutor manusia-AI yang terdiferensiasi adalah bukti bahwa model hibrida dapat mempersempit kesenjangan — ketika alokasinya mengikuti kebutuhan. Sebuah studi difference-in-discontinuities (635 siswa, kelas 5–8; siswa di bawah median menerima tutor manusia proaktif, di atas median menerima dukungan reaktif sesuai permintaan, dibandingkan dengan baseline AI-saja pada musim gugur) menemukan tutor hibrida menaikkan waktu pada tugas 25%, kemahiran keterampilan 36%, dan pertumbuhan akademik 61% secara keseluruhan — dan kedua kelompok mencapai perolehan keterlibatan dan kemahiran yang sebanding melalui mekanisme berbeda. Detail yang relevan bagi keadilan: tutor proaktif menunjukkan pertumbuhan rata-rata sedikit lebih tinggi (75%, p = 0,065) yang terkonsentrasi pada siswa yang lebih jauh di bawah ambang — pola pemampatan kesenjangan alih-alih pengangkatan yang seragam — sementara satu tutor per sesi melayani kedua kelompok. Penulisnya cukup hati-hati: desain DiDC bersifat kuasi-eksperimental, ambang median yang dikotomis melewatkan variasi kebutuhan di dalam kelompok, dan efek 75% itu marginal. (Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs)
Dosen memperkirakan kesenjangan akan melebar. Watson dan Rainie (2026) menyurvei 1.057 dosen perguruan tinggi dan universitas AS dan menemukan 81% memperkirakan AI generatif akan melebarkan ketidakadilan digital (58% mengatakan sangat) — ekspektasi keadilan terkuat dalam laporan itu dan berdampingan dengan 68% yang menyatakan institusinya belum menyiapkan dosen untuk menggunakan alat tersebut bagi pengajaran dan pendampingan. Survei yang sama menunjukkan betapa tidak meratanya alat itu diadopsi: 26% responden sama sekali tidak menggunakan AI generatif, naik menjadi 40% dosen seni dan humaniora serta 28% ilmuwan sosial, sehingga ketidakterpakai dan ketidaksiapan terkonsentrasi pada disiplin tertentu. Laporan itu adalah sampel nonprobabilitas yang oleh penulisnya dinyatakan tidak dapat digeneralisasi, jadi ini kekhawatiran yang diutarakan sektor, bukan efek yang terukur.
Kerugian infrastruktur: Structural Silence menunjukkan bahwa infrastruktur AI — korpus pelatihan, tokenisasi, tolok ukur, arsitektur penerapan — secara sistematis merugikan penutur bahasa yang kurang terwakili sebelum model dilatih, membingkai ulang kelangkaan kumpulan data sebagai masalah struktural, bukan insidental.
Prior demografis khas model dalam data sintetis: López-Pernas et al. (2026) menemukan bahwa ketika LLM menghasilkan vignette siswa, tiap model menerapkan kecenderungan demografis yang berbeda — GPT menghasilkan lebih banyak profil Global North dan memakai pronomina they/them, Qwen menghasilkan lebih banyak profil Global South, dan Mistral condong ke she/her. Bahkan konstruksi data pembelajar oleh sebuah Model Bahasa Besar (LLM) karena itu membawa prior regional dan bergender yang dapat merambat ke rekomendasi hilir, risiko keadilan yang kurang diteliti.
Gradien sosial-ekonomi: Kebijakan AI dan pembelajaran sepanjang hayat serta eksperimen kesenjangan produktivitas mengkaji bagaimana AI dapat mempersempit atau melebarkan kesenjangan antarkelompok pembelajar.
Menjembatani kesenjangan bagi pembelajar disabilitas: Khlaif et al. (2026) menemukan bahwa GenAI meratakan lapangan bermain bagi mahasiswa tunanetra lintas kesenjangan digital, geografis, dan sosial-ekonomi, membingkai inklusi sebagai persoalan infrastruktural sekaligus kultural — memperluas wacana keadilan digital melampaui akses hingga ke rasa memiliki, suara, dan representasi.

Persiapan lebih menentukan daripada preferensi, dan hak untuk menolak terdistribusi tidak merata. Siswa dengan kepercayaan akademik yang kuat dapat menolak AI tanpa konsekuensi, sementara siswa yang membutuhkan dukungan bahasa, dukungan aksesibilitas, atau umpan balik cepat mengalami penolakan sebagai kehilangan kesempatan, dan staf pengajar lepas dapat merasa tertekan mengadopsi alat yang memangkas waktu persiapan tanpa memangkas tanggung jawab. Ketika kewajiban untuk memahami dibebankan tanpa pelatihan, infrastruktur yang aman, dan kebijakan yang jelas, kewajiban itu menjadi beban kerja tersembunyi, dan penolakan berubah menjadi respons yang dapat diprediksi atas kurangnya persiapan institusi, bukan penolakan terhadap teknologinya (Zagami 2026).

Sewa dibayar dalam tiga mata uang, dan kompetensi yang dimiliki ikut pergi bersama lulusan. de Barba (2026) berargumen bahwa kemampuan yang bersemayam dalam alat komersial hanya tersedia menurut syarat penyedianya, sehingga lisensi institusional memindahkan tuan tanah alih-alih menghapusnya: akses biasanya berakhir bersama masa pendaftaran, dan kemampuan yang disewa kemudian hanya bertahan bagi lulusan yang mampu terus membayar. Ia menambahkan dua distribusi lain yang biasanya terlewat dalam debat akses — biaya diri terkonsentrasi pada masa aklimatisasi, tempat pembelajar dengan pengetahuan domain awal lebih sedikit menghabiskan waktu paling lama, dan standar yang disewa membawa titik rujukan model, yang diperkirakan akan lebih banyak menggeser standar pembelajar yang titik rujukan budaya dan linguistiknya berbeda dari model. Alat yang sama melebarkan akses dan menggeser standar pada saat yang sama, itulah sebabnya ia memperlakukan penamaan kemampuan yang harus dibangun sendiri oleh suatu mata kuliah sebagai langkah keadilan sekaligus langkah pedagogis.

Keadilan representasi

Bias dalam data pelatihan dan keluaran: data pelatihan AI sebagian besar mencerminkan perspektif budaya dominan. Penelitian transfer bias gender menunjukkan penulisan berbantuan LLM dapat mengontaminasi karya siswa dengan bias gender; filter pendidikan sejarah dan penilaian AI dapat menyandikan asumsi berpusat Barat dan berbias linguistik.
Pengetahuan yang terpinggirkan: Penelitian tentang pengetahuan yang terminoritaskan mengkaji bagaimana AI generatif meminggirkan sistem pengetahuan nondominan dan perspektif disabilitas di pendidikan tinggi.
Diversifikasi kurikulum: Guru semakin banyak memakai LLM untuk mendiversifikasi materi kurikulum (Wang et al., 2025, menemukan 78% melakukannya), namun daftar bacaan yang dikurasi AI masih kurang mewakili penulis BIPOC, dan STEM tutor AI secara bawaan memakai konteks masalah yang berpusat Barat.
Citra yang dihasilkan mengulang norma visual dominan, yang menjadikan penggunaan kritis sebuah kompetensi, bukan tambahan. Jiang et al. (2026) mengamati bahwa pembangkitan citra GenAI mereproduksi norma multimodal dominan seperti bias visual, dan memperingatkan bahwa penilaian multimodal yang mengabaikan hal ini berisiko mengotomatiskan dan mereproduksi ketidaksetaraan; kerangka mereka bagi guru bahasa kedua karena itu menuntut kompetensi untuk membantu siswa mendeteksi, mengevaluasi, dan melakukan kontra-narasi atas keluaran model yang berbias (Jiang et al., 2026).
Representasi berlaku pada buktinya, bukan hanya pada pembelajarnya. Bulut (2026) berargumen bahwa keadilan dalam penilaian berbantuan teknologi mencakup keteralihan kontekstual pengetahuan yang mendasari suatu desain, sehingga sistem yang divalidasi dalam lingkungan bersumber daya baik membawa asumsi yang belum teruji di tempat lain.

Keadilan luaran

Dalam tinjauan scoping atas 394 studi GenAI pendidikan tinggi, keadilan dan akses termasuk luaran yang paling sedikit disasar, bersama metakognisi, etika, dan kreativitas (Lin et al. (2026)).

Dampak yang terdiferensiasi: alat AI dapat melebarkan kesenjangan jika dirancang tanpa lensa keadilan — tinjauan sistematis dan studi bias penilaian menunjukkan manfaat dan kerugian yang tidak merata antarkelompok pembelajar. Bukti manfaat yang dipadukan membawa batas yang sama: Jing et al. (2026) memperkirakan perolehan keseluruhan sedang hingga besar bagi mahasiswa di 35 studi (g=0,53, 95% CI [0,48, 0,64]) sekaligus menyatakan bahwa akses yang tidak adil ke alat berbiaya tinggi adalah salah satu risiko yang tidak dapat ditangkap ukuran efek itu, dan uji Egger yang signifikan untuk kinerja akademik dan keterampilan profesional membuat asimetri plot corong serta efek studi kecil tetap belum terselesaikan.
Pembelajaran setara melintasi dua orde besaran biaya. StudentBench menemukan tutor AI secara gabungan setara secara statistik dengan tutor manusia ahli, sementara sebaran antartutor membentang dari $0,005 hingga $1,40 per poin persentase perolehan belajar dan satu model terbuka menyamai perolehan manusia pada biaya per poin 918× lebih rendah ($0,0052 berbanding $4,81), menjadikan biaya per satuan pembelajaran variabel akses, bukan hanya variabel mutu (Northcutt et al. (2026)).
Amplifikasi bias: saran AI dan umpan balik otomatis dapat memperkuat (bukan menantang) bias guru dan bias sistemik yang ada. Marked Pedagogies menunjukkan alat umpan balik tulisan berbasis LLM secara sistematis bergeser ke pujian yang selaras stereotip dan penahanan kritik ketika umpan balik dipersonalisasi dengan ras, bahasa, disabilitas, capaian, atau motivasi siswa — bahkan pada esai yang identik — menjadikan "personalisasi" vektor bias yang konkret dalam umpan balik otomatis.
Sistem yang sadar keadilan: Mitigasi Bias dan penelitian keandalan ground truth mengembangkan metode untuk mendeteksi dan mengoreksi bias pada tutor, penilai, dan penyaring AI.
Regularisasi keadilan mungkin tidak tergeneralisasi ke pembelajar baru: Fragkiadakis et al. (2026) menambahkan regularisasi celah galat yang menyasar gender dan usia pada transformer AI Multimodal yang memprediksi atensi siswa secara real-time, dan menemukan bahwa ia mempersempit disparitas demografis pada data validasi tetapi perolehan itu tidak konsisten terbawa ke subjek yang disisihkan atau ke pemisahan tingkat-subjek yang diulang (model yang diregularisasi mengurangi celah hanya pada 4 dari 10 pelatihan). Keadilan yang tersertifikasi pada satu pemisahan karena itu dapat menguap pada pembelajar yang benar-benar baru — AI pendidikan membutuhkan evaluasi yang menyisihkan subjek dan mengulang seed, bukan hanya metrik agregat.
Keputusan peluang berikutnya yang terdistribusi secara diferensial. Bias yang tampak dapat dipertahankan kasus per kasus tetap dapat memilah pembelajar secara sistematis: Entezami et al. (2026) meminta tiga LLM menempatkan 11.200 penugasan tim di kelas rekayasa perangkat lunak, di mana laki-laki setidaknya 80% lebih kecil kemungkinannya daripada perempuan untuk mencapai Interface Design alih-alih Core Development (GPT-5.2 OR < 0,01) dan kebangsaan menggerakkan penugasan secara independen dari kemampuan. Keterampilan tidak menyelesaikannya - 99,2% penugasan berbasis keterampilan cocok dengan salah satu dari dua tim yang sah, namun gender tetap memilih di antara opsi yang sama-sama sah, sehingga hanya statistik teragregasi yang mengungkap polanya; citra mata kuliah satu orang condong ke laki-laki dan berkulit terang (lebih dari 95% berkulit terang untuk prompt Database, Debugging, dan Individual Programming) sementara citra multi-orang relatif beragam.
Agensi siswa: memastikan AI memberdayakan alih-alih menggantikan suara siswa dan Agensi Pembelajar, terutama bagi pembelajar yang secara historis terpinggirkan.
Keadilan psikologis vs. kognitif: Liang et al. (2026) menemukan bahwa satu tahun pengajaran AI di sekolah menengah Hong Kong mempersempit kesenjangan kesiapan AI psikologis (kepercayaan diri, Motivasi, kesadaran etis) tetapi tidak kesenjangan kognitif — kesenjangan Literasi AI objektif antara pembelajar yang berinisiatif sendiri ("agensi tinggi") dan teman sebayanya tetap ada, pola efek Matius ketika kurikulum "meninggikan lantai tetapi tidak meratakan lapangan bermain". Akses pada kurikulum semata, tanpa keterlibatan berkelanjutan yang berinisiatif sendiri, mungkin menumbuhkan paritas psikologis tetapi tidak paritas kognitif penuh.
Penilaian otomatis, capaian, dan bahasa. Perbandingan OpRaise atas tiga model terdepan pada 761 esai otentik menemukan bahwa ketidaksepakatan AI–manusia bervariasi menurut tingkat capaian siswa dan menurut fitur permukaan bahasa (rentang kosakata, konjungsi, kompleksitas kalimat) dengan cara yang tidak dilakukan penilaian manusia, dan bahwa akurasinya berbeda di tiga institusi Inggris yang kohortnya berbeda — penulisnya menghubungkan ini langsung dengan kewajiban institusi berdasarkan UK Equality Act, dengan penalaran bahwa sebagian kelompok siswa mungkin terpengaruh lebih dari yang lain, dan mencatat hak atas penjelasan berdasarkan Pasal 22 GDPR ketika keputusan penilaian otomatis memengaruhi siswa. Karena nilai AI memadat ke tengah distribusi, siswa yang paling terpapar adalah mereka di ujung atas dan bawah rentang capaian.
Aturan penilaian dapat mengubah kerugian linguistik menjadi risiko integritas. Li (2026) berargumen bahwa aturan integritas yang memperlakukan GenAI sebagai satu kategori bantuan tak sah membebankan kewajiban kepatuhan yang lebih tinggi pada siswa yang memakai bahasa Inggris sebagai bahasa tambahan, yang penggunaan sah atas dukungan bahasa lebih sering dan iteratif, serta memusatkan kecurigaan pada penulis yang kelancaran permukaannya paling banyak bergeser — masalah desain aturan, bukan masalah perilaku, dan salah satu yang menaikkan risiko penegakan selektif atas bukti lemah. Batas yang diusulkan berbasis tujuan dan konstruk alih-alih berbasis alat: penyuntingan tata bahasa, tanda baca, dan kejelasan tingkat kalimat, penerjemahan untuk pemahaman, serta draf pertama yang secara substantif ditulis ulang siswa dihitung sebagai dukungan yang diizinkan karena tidak menambah ide baru, sumber baru, maupun penataan ulang analisis yang material, sedangkan membangkitkan argumen atau kontra-argumen, menerapkan aturan disipliner pada fakta, menyusun ulang urutan analitis, atau membangkitkan sitasi dihitung sebagai substitusi. Karena pernyataan konstruk sering menghargai kelancaran dan idiom sebagai proksi penalaran, siswa EAL menghadapi varians yang tak relevan bagi konstruk dalam nilai mereka; obatnya adalah kekhususan ex ante tentang fungsi yang diizinkan dan dilarang, pengungkapan yang dikalibrasi agar dukungan rutin lebih murah dideklarasikan daripada entri bibliografi, pengiriman bertahap dan jejak sumber alih-alih inferensi yang dipimpin deteksi, serta pemantauan tingkat kohort atas rujukan dan sanksi. Kerangka itu bersifat normatif dan belum diuji — Li tidak mengklaim apa pun tentang tingkat penggunaan GenAI oleh siswa EAL.
Siswa sendiri menilai garis dukungan-substitusi secara akurat, tetapi ragu-ragu. Reed et al. (2026) menyodorkan enam vignette etis kepada 531 mahasiswa dan menemukan 57,6% mengklasifikasikan keenamnya dengan benar (rata-rata 88,54%): penggunaan yang didukung verifikasi diterima secara luas — merangkum catatan dengan verifikasi dosen (91,7%), perbaikan tata bahasa pada makalah tulisan sendiri (84,9%), istilah pencarian yang dihasilkan AI diikuti tinjauan literatur independen (91,1%) — sementara penggunaan yang bersifat substitusi ditolak secara luas. Ketidakpastian mengelompok pada kasus-kasus yang justru harus diselesaikan oleh aturan, yaitu referensi yang dihasilkan AI dan tak dapat diverifikasi (9,9% "tidak yakin") dan teks hasil AI yang diedit minimal (9,6%), yang oleh penulisnya dibaca sebagai bukti bahwa batas antara bantuan dan kepengarangan bermakna tidak jelas bagi siswa. Literasi AI objektif hanya secara lemah memprediksi akurasi klasifikasi (Spearman's ρ = 0,234), sampelnya mayoritas berkulit putih, perempuan, dan tahun pertama di satu universitas publik di Midwest, dan penulisnya menekankan bahwa penilaian yang benar bukanlah perilaku etis.
Privilese prompt: Jin et al. mendokumentasikan "privilese prompt" — pengguna yang merumuskan permintaan dengan terampil secara sistematis memperoleh keluaran LLM yang lebih baik daripada pengguna yang menyatakan maksud yang sama dengan kurang cekatan — sehingga keterampilan penyusunan prompt menjadi sumber daya yang diam-diam tidak merata. Prompt Equity Transformer mereka memindahkan optimasi prompt ke dalam sistem, memperlakukan keluaran yang adil sebagai properti aksesibilitas alih-alih menuntut penyusunan prompt ahli dari pemula.
Kompetensi, bukan akses, adalah tempat celah itu terbuka kembali. Di antara 380 mahasiswa, modal digital keluarga berhubungan dengan perolehan akademik yang dipersepsikan terutama melalui kompetensi penyusunan prompt, yang berkorelasi 0,793 dengan perolehan tersebut (Li et al. (2026)).
Celah pengelolaan interaksi. Brunnström dan Palmqvist (2026) sampai pada kesimpulan ambivalen tentang GenAI sebagai pemerata: karena penggunaan produktif menuntut pengenalan atas jawaban yang terlalu abstrak, permintaan penyederhanaan, dan penataan sesi di sekitar tujuan-tujuan kecil, GenAI tanpa panduan "mungkin paling bermanfaat bagi siswa yang sudah beruntung" — mereka yang punya kebiasaan belajar kuat dan kepercayaan diri dalam mengarahkan AI — sementara siswa dengan keterampilan belajar lebih lemah atau Efikasi Diri akademik lebih rendah menghadapi kompleksitas dan frustrasi tambahan. Alih-alih menggantikan mitra percakapan akademik yang tidak ada, alat itu memperkenalkan kompetensi baru yang penguasaannya menciptakan celahnya sendiri; penulisnya menyimpulkan bahwa tanggung jawab mengajarkannya tidak dapat dibebankan pada siswa seorang diri (Literasi AI, Regulasi Diri dalam Belajar).
Mekanisme celah keterampilan dan celah sumber daya bukan masalah yang sama. Kumar, Wongsirichot dan Nanthaamornphong (2026) memisahkan dua mekanisme yang menurut tinjauan sistematis mereka atas 72 studi pendidikan komputasi cenderung dicampuradukkan literatur. Celah keterampilan beroperasi di dalam satu kelas: siswa dengan pengetahuan awal lebih kuat mengubah bantuan AI menjadi keterampilan yang bertahan sementara siswa yang kesulitan memakainya sebagai tongkat yang menghilangkan perjuangan produktif, melebarkan distribusi kompetensi pada akhir semester — ditangani dengan akses bertahap yang terikat pada kompetensi yang terbukti. Celah sumber daya beroperasi antarinstitusi dan antarkonteks nasional: internet yang andal dan langganan API berbayar menopang penggunaan alat yang lebih mumpuni daripada yang dimiliki siswa tanpa keduanya — ditangani dengan investasi institusional pada akses alat bersama dan kebijakan yang tidak mengasumsikan ketersediaan universal. Keadilan adalah yang tertipis di antara tiga persyaratan kerangka tinjauan itu (enam studi), dan penulisnya membaca ketipisan itu sebagai temuannya: tidak adanya penelitian intervensi berfokus keadilan itu sendiri adalah masalah keadilannya (Validitas Penilaian, Perancah).
Metode dengan bukti terbaik adalah yang paling sulit diskalakan. Dalam lokakarya bersama 73 pendidik komputasi, penilaian lisan dan interaktif dilaporkan sebagai bukti terkuat yang tersedia atas pemahaman individual sekaligus obat yang paling sulit diskalakan yang diusulkan — diangkat di satu ruangan bersama lebih dari 400 mahasiswa dan segelintir asisten pengajar — sehingga strategi dengan kaitan paling jelas ke pembelajaran terverifikasi berada di institusi yang mengajar paling sedikit mahasiswa, celah keadilan antarinstitusi alih-alih di dalam satu kohort (Akbar et al., 2026).
Mutu tutor bergeser mengikuti demografi pembelajar. EduFair-Bench memasangkan satu siswa LLM tetap dengan tiap tutor di sembilan tingkat demografis yang mencakup gender, latar belakang imigrasi, bahasa pertama, dan status sosial-ekonomi, lalu menilai lima metrik pedagogis tingkat giliran. Dalam tutor LLM simpangan terbesar muncul pada kondisi demografis eksplisit — perancah langkah berkorelasi hingga |r| = 0,144 dalam matematika dan nada korektif melebihi 0,10 untuk setiap model dalam kimia (0,102-0,168) dan fisika (0,129-0,294) — dan pada 11 dari 15 sel model-kali-domain kondisi jawaban salah mendapat skor lebih tinggi daripada jawaban benar, menunjukkan bahwa nada mengikuti label demografis siswa alih-alih mutu penalaran siswa. Pembelajaran penguatan yang khas pedagogi mendistribusikan ulang, bukan menghapus, kesenjangan tersebut. (EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics)
Sinyal demografis implisit adalah kanal bias yang lebih sulit dikendalikan daripada atribut yang dinyatakan. Rooein, Benedetto dan Hovy (2026) menahan setiap masukan tugas tetap sambil hanya memvariasikan konteks demografis pada enam LLM yang disetel instruksi dan tiga tugas pendidikan, menghasilkan 192.480 panggilan inferensi, lalu memisahkan sinyal eksplisit (atribut siswa yang dinyatakan) dari sinyal implisit yang dibawa riwayat percakapan sepuluh prompt. Dalam penilaian esai otomatis sebagian besar model relatif stabil pada pengondisian eksplisit, sementara pengondisian implisit menggelembungkan skor — Llama-70B memberi skor 1,57 poin di atas bawaannya sendiri (p < 0,001). Dalam penjawaban pertanyaan metalinguistik kondisi implisit bergeser ke arah sebaliknya: respons untuk tingkat pendidikan lebih rendah menerima sentimen yang kurang positif, selisih rata-rata 0,3 antara tingkat pendidikan terendah dan yang lebih tinggi pada skala 0-4 terhadap simpangan baku dalam-butir 0,07. Kesulitan keadilannya bersifat struktural — isyaratnya bukan atribut yang dinyatakan yang dapat dilarang kebijakan atau bidang prompt yang dapat diperiksa audit, melainkan properti interaksinya sendiri.
Verifikasi dapat mengalihkan perolehan kepada siswa yang lebih lemah. Dang & Nguyen (2026) menemukan materi belajar AI yang diverifikasi pakar pada mata kuliah ekonomi tahun pertama berasosiasi dengan perolehan 2,34 angka, tetapi sekitar tiga perempatnya muncul pada kuintil terbawah, dan porsi nilai di bawah ambang 60% turun 24,7 poin - memindahkan beban pemeriksaan dari siswa ke tutor yang akuntabel.

Inklusi linguistik, budaya, dan disabilitas

Bahasa: sebagian besar alat AI memprioritaskan bahasa Inggris, meminggirkan pembelajar multibahasa. Keragaman linguistik dalam penulisan akademik, bahasa yang kurang terwakili, dan penelitian Pembelajaran Bahasa membahas hal ini.
Deteksi menghantam paling keras penulis multibahasa. Karena detektor mengklasifikasikan berdasarkan keterprediksian tekstual alih-alih asal-usul, perpleksitas rendah dan kepadatan formulaik yang mereka tandai juga merupakan ciri penulisan bahasa tambahan; studi yang terdokumentasi menemukan detektor GPT salah mengklasifikasikan sebagian besar esai TOEFL otentik oleh penutur nonasli bahasa Inggris — risiko efek diferensial sebelum menjadi persoalan teknis (Angelier (2026)).
Mekanismenya adalah penghalusan linguistik, bukan kepengarangan. Menyunting satu manuskrip tulisan nonasli menggeser vonis detektor ke dua arah — MAGE 10,7 poin persentase lebih kecil kemungkinannya menandai teks sebagai AI, LastDE+ 5,8 poin lebih besar — dan pergeserannya tumbuh seiring seberapa berat editor merevisinya (Park, Jeong dan Kim (2026)). Karena kepengarangan tidak berubah, yang dibaca alat itu adalah penghalusan, bukan keterlibatan mesin.
Pengakuan, bukan hanya akses: kedataran budaya AI sebagai temuan keadilan: Dalam inkuiri naratif sembilan bulan bersama lima perajin muda sekolah menengah kulit berwarna, Gyekye (2026) menemukan siswa menyamakan keadilan dengan ketiadaan bias yang tampak — sebuah "kedataran budaya" ketika pengalaman khas identitas dan penanda budaya tidak terwakili dalam respons AI — dan membangun agensi melalui penolakan (tidak memakai sebagai keselarasan institusional) dan negosiasi (membuat keluaran AI terbaca secara institusional). Konsep Recognition Bandwidth dalam studi itu menamai ruang yang dimiliki pembelajar untuk melihat dirinya dalam keluaran AI, dan Institutional AI Literacy menamai kapasitas menavigasi AI di dalam ekspektasi institusional. Studi kualitatif lima siswa dari satu program; sumbangan keadilannya adalah menunjukkan bahwa netralitas-sebagai-keadilan dapat menjadi mekanisme pengecualian itu sendiri.
Siapa yang memperoleh manfaat dari tutor AI — bukti lapangan eksploratif: Dalam peluncuran skala distrik penuh atas platform matematika AI bermediasi guru, Goblins (Alam et al. 2026) menemukan asosiasi capaian yang lebih besar bagi siswa dengan IEP (+0,122 SD), pembelajar bahasa Inggris (+0,191 SD), dan siswa Hispanik (+0,084 SD) daripada kelompok pembanding, konsisten dengan masukan multimodal dan dukungan suara tujuh bahasa yang menurunkan hambatan keterlibatan. Penulisnya menyatakan tegas bahwa subkelompok yang eksploratif dan berkekuatan statistik rendah itu tidak dapat membuktikan bahwa fitur aksesibilitas menyebabkan perbedaan tersebut — sinyal awal yang membangkitkan hipotesis, bukan temuan keadilan.
Budaya: Pedagogi yang relevan secara budaya dan AIED berpusat komunitas menuntut AI yang mencerminkan konteks budaya pembelajar alih-alih memaksakan norma dominan.
Disabilitas dan neurodiversitas: Pembelajaran yang aksesibel, desain universal, Neurodiversitas, dan penelitian pendidikan khusus mengkaji bagaimana AI dapat mendukung atau mengecualikan pembelajar dengan disabilitas — mahasiswa komputasi neurodivergen, pembelajar disleksia, dan materi pendidikan yang aksesibel menjadi contohnya.
Bahasa, budaya, dan biaya sekaligus: Bashir dan Afzal (2026) membingkai desain yang adil dalam AI Kesejahteraan sebagai satu pertanyaan tunggal tentang bahasa, budaya, dan biaya — alat berbahasa Inggris saja gagal bagi siswa yang mengungkapkan distres dalam bahasa Urdu atau Roman Urdu, kumpulan data Barat gagal menangkap stresor yang menonjol secara lokal, dan sistem komersial mahal gagal bagi universitas yang kurang diperlengkapi (Sukoon). Respons mereka menggabungkan Sumber Terbuka yang diakses melalui API terkelola untuk kebutuhan sumber daya rendah, antarmuka penilaian dwibahasa, dan pengklasifikasi yang dilatih pada instrumen 20-fitur tervalidasi — sekaligus mengakui bahwa data pelatihannya tidak representatif bagi populasi sasaran, bahwa "di beberapa daerah... alat tersedia tetapi sering mahal", dan bahwa adaptasinya berada pada tingkat prompt alih-alih divalidasi bersama siswa, sebuah pengakuan jujur atas celah antara niat adil dan keadilan yang terbukti.

Populasi khusus dan keadilan global

Populasi khusus: Pendidikan Khusus, pembelajar neurodivergen, pembelajar disleksia, dan pembelajar dengan disabilitas mewakili kelompok yang kebutuhannya sering terlewat dalam desain sistem AI.
Perspektif Global South: motivasi mahasiswa Afrika, perencanaan pelajaran AI di Vietnam, dan penerimaan guru Ghana menyediakan perspektif Global South yang sering absen dari penelitian AIED yang berpusat Barat. Pada tingkat institusional, Adeniranye et al. (2026) menunjukkan integrasi AI di 45 universitas Nigeria digerakkan oleh usia dan geografi institusi alih-alih jenis tata kelola, dengan ikatan jaringan yang saling memperkuat memungkinkan institusi yang terhubung baik melipatgandakan keunggulan — bukti bahwa kesenjangan keadilan direproduksi secara struktural, bukan hanya melalui akses individual.
Kapasitas global: Bukti mendokumentasikan bagaimana manfaat AI generatif terdistribusi tidak merata antarnegara dan antarlembaga, dan kebijakan AI dan pembelajaran sepanjang hayat menangani gradien sosial-ekonomi struktural.
Tinjauan PRISMA atas 72 studi penilaian pendidikan tinggi menemukan basis buktinya terkonsentrasi secara geografis: Australia dan Inggris bersama-sama menyumbang 31 dari 72 studi, dan tidak ada studi yang teridentifikasi dari Amerika Selatan (Crompton dan Burke (2026)).
Persinggungan disabilitas dan Global South: Khlaif et al. (2026) — studi kasus kualitatif atas 21 mahasiswa tunanetra di tiga universitas Palestina — menunjukkan GenAI menjembatani kesenjangan digital, geografis, dan sosial-ekonomi sekaligus memperluas model penerimaan teknologi ke konteks disabilitas, ketika keterpakaian, keterjangkauan, dan aksesibilitas saling memperkuat.
Keadilan gender dalam komputasi: penggunaan GenAI yang berorientasi keadilan masih kurang diteliti. Inisiatif makerspace GenAI khusus perempuan di Eropa menggabungkan dua alat GenAI dengan pedagogi feminis untuk menangani ketidakadilan gender yang bertahan dalam representasi perempuan di bidang komputasi, dengan para praktisi menjalankan langkah-langkah spesifik untuk mendukung partisipasi dan keterlibatan perempuan — contoh desain GenAI yang berfokus pada keadilan. AI yang sengaja dibentuk menurut gender juga dapat berfungsi sebagai intervensinya sendiri: Rücker dan Becker-Genschow (2026) menunjukkan bahwa khas domain chatbot matematika terkode perempuan yang dimodelkan pada persona Ada Lovelace (dan diterapkan sebagai panutan sekaligus asisten belajar) secara signifikan mengurangi keyakinan stereotip gender tentang kemampuan matematika dan matematika sebagai domain laki-laki di kalangan siswa kelas sembilan — pada kedua gender, dengan penerimaan teknologi yang tinggi dan netral gender. Ini membingkai ulang representasi sebagai tuas desain, bukan sekadar bias yang harus diaudit: persona AI yang dirancang secara sistematis dapat melawan, bukan sekadar menghindari mereproduksi, bias gender.

Implikasi bagi AI dalam pendidikan

Keadilan adalah desain, bukan renungan belakangan: mitigasi bias dan algoritme yang sadar keadilan harus dibangun ke dalam tutor, penilai, dan penyaring AI, serta dievaluasi keadilannya bersamaan dengan akurasi.
Infrastruktur adalah keadilan: menangani kesenjangan digital dan infrastruktur bahasa yang kurang terwakili adalah prasyarat bagi AI yang adil, bukan persoalan sekunder.
Pengantaran bermediasi guru menjangkau siswa yang tak tersentuh AI. Ketika kesenjangan digital mencoret kemungkinan satu perangkat per siswa, Rodrigues et al. (2026) membiarkan siswa bekerja dengan kertas dan pena sementara guru memotret solusi mereka dan AI mengembalikan daftar latihan yang dipersonalisasi serta Umpan Balik khas galat, dalam kuasi-eksperimen berklaster di 19 kelas sekolah negeri Brasil.
Representasi penting dalam konten dan penilaian: materi yang dikurasi AI dan penilaian otomatis harus mencerminkan dan tidak menghukum pembelajar, budaya, bahasa, dan sistem pengetahuan yang beragam.
Pasangkan akses dengan dukungan: menyediakan alat tidaklah cukup; pembelajar membutuhkan keterampilan, kondisi, dan Perancah yang relevan secara budaya agar memperoleh manfaat.
Jangkau audiens yang dilewatkan pendidikan formal: kerangka AI Literacies untuk media layanan publik berargumen bahwa penyediaan akan terus menjangkau mereka yang sudah beruntung kecuali dirancang sebaliknya, menyebut kaum muda yang terpinggirkan secara digital atau dengan cara lain sebagai pihak dengan peluang paling sedikit melalui pendidikan formal, dan mengusulkan kemitraan bertarget plus penyediaan berjangkauan nasional — bukan publikasi universal — sebagai obatnya.
Kebijakan dan tata kelola: kebijakan AI institusional (Kebijakan AI Pendidikan, Tata Kelola AI) harus menanamkan keadilan sebagai prinsip pemandu.

Keadilan juga memiliki dimensi lingkungan dan komputasional: akses yang tidak setara ke model yang intensif komputasi dapat melebarkan disparitas antarsiswa dan antara institusi bersumber daya baik dan kurang, dan konsumsi energi serta jejak karbon besar dari penerapan model besar berlawanan dengan tujuan keberlanjutan pendidikan tinggi (Li et al. (2026)).

Miskonsepsi umum

"Masalah keadilan adalah akses ke alat." Mutu alat adalah bagian dari kesenjangan, bukan hanya aksesnya: Canonigo (2026) mengirimkan 50 tugas matematika dan menemukan perbedaan mutu yang mengikuti alatnya alih-alih penggunanya.
"Tutor hibrida manusia-AI tidak dapat mempersempit kesenjangan." Tutor manusia-AI yang terdiferensiasi adalah bukti bahwa model hibrida dapat mempersempit kesenjangan — ketika alokasinya mengikuti kebutuhan. Sebuah studi difference-in-discontinuities (635 partisipan) menemukan tutor proaktif menunjukkan pertumbuhan rata-rata sedikit lebih tinggi (75%, p = 0,065) yang terkonsentrasi pada siswa yang lebih jauh di bawah ambang. Perolehannya terkonsentrasi di tempat kebutuhan paling besar.
"Efek rata-rata memberi tahu Anda apakah keadilan membaik." Wawasannya adalah bahwa aturan alokasi menentukan luaran keadilan: intervensi yang membantu semua orang secara setara membiarkan kesenjangan tak berubah, dan yang membantu secara proporsional terhadap kebutuhan mempersempitnya.

Konsep terkait

Efek Diferensial Antar Kelompok Siswa
Pembelajar — Pembelajar: payung bagi konsep-konsep sisi pembelajar
Kesenjangan Digital — Akses yang tidak setara ke alat dan infrastruktur AI lintas garis sosial-ekonomi, wilayah, dan negara
Mitigasi Bias — Metode untuk mendeteksi dan mengoreksi bias pada tutor, penilai, dan penyaring AI
Aksesibilitas — Desain yang membuat alat belajar AI dapat digunakan oleh pembelajar dengan disabilitas
Teknologi Bantu — Alat yang mendukung pembelajar dengan disabilitas dalam lingkungan bermediasi AI
Pedagogi Relevan Budaya — Pengajaran yang mencerminkan konteks budaya pembelajar alih-alih memaksakan norma dominan
Pembelajaran Bahasa — Inklusi linguistik bagi pembelajar multibahasa dan bahasa yang kurang terwakili
Pembelajaran Inklusif — Pembelajaran yang aksesibel dan adil bagi semua pembelajar
Desain Universal untuk Pembelajaran — Merancang untuk variabilitas pembelajar sejak awal
Neurodiversitas — Mendukung pembelajar neurodivergen dalam pendidikan AI
Pendidikan Khusus — Memenuhi kebutuhan pembelajar dengan disabilitas dalam desain sistem AI
Literasi AI — Keterampilan yang dibutuhkan pembelajar untuk memperoleh manfaat dari AI secara adil
Kebijakan AI Pendidikan — Kebijakan institusional yang menanamkan keadilan sebagai prinsip pemandu
Tata Kelola AI — Pengawasan dan akuntabilitas untuk AI yang adil
Agensi Pembelajar — Memastikan AI memberdayakan alih-alih menggantikan suara siswa
Pemangku Kepentingan — Payung: orang dan audiens dalam pendidikan AI (pembelajar, guru, perancang, administrator, pembuat kebijakan)
Orang Tua dan Keluarga
Dukungan dan Keberhasilan Siswa — siapa yang dijangkau sistem dukungan, dan risiko bertindak atas skor risiko

FAQ terkait

Metadata

Disiplin	Language Learning
Tingkat	Higher Ed, K 12
Audiensi sasaran	Learners, Instructors
Teknologi dan teknik	AI Generatif, Tutoring Cerdas
Kesetaraan, etika, dan penggunaan yang bertanggung jawab	Mitigasi Bias, Pedagogi Relevan Budaya, Kesenjangan Digital, Keadilan, Pembelajaran Inklusif, Neurodiversitas
Dasar-dasar AI dalam pendidikan	Literasi AI, Pengajaran

Sumber Riwayat Sunting Obrolan