Umpan Balik

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

Umpan balik — informasi yang diberikan kepada siswa tentang kinerja atau pemahaman mereka yang dimaksudkan untuk menutup kesenjangan antara kinerja saat ini dan yang diinginkan. Dalam AI dalam pendidikan, umpan balik telah menjadi tema sentral yang bertransformasi dengan cepat: sistem AI kini menghasilkan, menyampaikan, dan bahkan mengajarkan siswa cara menggunakan umpan balik, membentuk ulang setiap tahap proses umpan balik.

Pertanyaan untuk Dipertimbangkan

• Umpan balik sering dibayangkan sebagai informasi yang diserahkan kepada siswa, tetapi penelitian berargumen bahwa umpan balik baru 'terhitung' sebagai umpan balik ketika siswa memaknai dan bertindak atasnya. Jika umpan balik adalah relasi alih-alih pesan, apa yang berubah dalam cara kita semestinya menyampaikannya?
• Persepsi siswa tentang apakah umpan balik berasal dari AI atau manusia dapat mengubah seberapa banyak mereka belajar darinya. Menurut Anda mengapa sumber begitu penting — dan apa implikasinya bagi umpan balik yang dihasilkan AI dalam konteks Anda?
• Umpan balik segera bisa menjadi jebakan: 'jebakan jawaban benar' menunjukkan bahwa siswa yang sekadar menyalin koreksi belajar lebih sedikit. Kapan umpan balik instan membantu, dan kapan ia memutus jalur pembelajaran yang justru ingin didukungnya?
• Penelitian bahkan menemukan bahwa rangkaian umpan balik yang dirancang baik — dorongan, lalu petunjuk, lalu jawaban — yang dimaksudkan untuk membangun otonomi justru merugikan pembelajaran meskipun meningkatkan keterlibatan. Jika siswa merasa senang dengan umpan balik yang membuat mereka belajar lebih sedikit, apa yang seharusnya kita optimalkan?
• Umpan balik digambarkan sebagai sistem dengan bagian-bagian: loop umpan balik, kualitas penyediaan, kapasitas penyerapan siswa, dan konteks penilaian. Jika Anda mencoba memperbaiki umpan balik di mata kuliah Anda sendiri, bagian mana yang akan Anda perbaiki lebih dulu, dan mengapa?

Pendahuluan

Ini adalah konsep payung bagi gagasan-gagasan terkait umpan balik di basis pengetahuan. Umpan balik berada di persimpangan penilaian dan pembelajaran: tanpa umpan balik, penilaian mengukur kinerja tetapi tidak memperbaikinya; dengan umpan balik yang efektif, penilaian menjadi peristiwa pembelajaran. Basis pengetahuan memperlakukan umpan balik sebagai sistem dengan banyak sisi — kualitas umpan balik itu sendiri (Kualitas Umpan Balik AI), loop yang dengannya ia menutup kesenjangan pembelajaran, kapasitas siswa untuk menggunakannya (Literasi Umpan Balik), dan konteks penilaian tempat ia beroperasi (Penilaian Formatif, Penilaian Sejawat, Penilaian Otomatis).

• Yilmaz dkk. menunjukkan bahwa persepsi siswa terhadap sumber umpan balik (AI vs manusia) membentuk pembelajaran mandiri dari umpan balik GenAI — kualifikasi krusial bagi klaim efektivitas umpan balik.
• Nazaretsky dkk. (2025) memisahkan sumber dari konten: 472 mahasiswa EPFL menilai umpan balik manusia dan GPT-4.0 yang setara isinya atas karya mereka sendiri, mula-mula secara buta lalu sekali lagi setelah sumbernya diungkap, dan sebagian besar tidak dapat membedakan keduanya secara andal (287 dari 472 menebak dengan benar). Begitu label diungkap, penilaian varian AI turun dan varian manusia naik — signifikan untuk Keaslian (p < .01) — dan kredibilitas penyedia terpisah dengan jelas (manusia μ = 3.28 vs. AI μ = 2.25, Cohen's d = 0.57). Bias melekat pada penyedia alih-alih pada teks, karena kedua varian setara dalam ketepatan dan kualitas kognitif. Pérez-López dkk. (2026) meneruskan kredibilitas umpan balik ke pembelajaran: di antara 230 mahasiswa bisnis setelah esai berbantuan AI, kredibilitas memprediksi pembelajaran yang dipersepsikan, dengan kompetensi yang dipersepsikan dan empati yang mirip manusia sebagai antesedennya.

Sistem umpan balik

Umpan balik paling baik dipahami bukan sebagai peristiwa tunggal melainkan sebagai sistem terhubung dari bagian-bagian yang saling berinteraksi, yang masing-masing didokumentasikan basis pengetahuan sebagai konsepnya sendiri:

• Loop umpan balik — mekanisme yang dengannya umpan balik menutup kesenjangan antara kinerja saat ini dan yang diinginkan; siklus kinerja → umpan balik → revisi → kinerja yang membaik yang menggerakkan pembelajaran.
• Kualitas Umpan Balik AI — ketepatan, kegunaan, ketepatan waktu, dan nilai pedagogis umpan balik yang dihasilkan AI; sisi penyediaan dari sistem.
• Literasi Umpan Balik — kapabilitas dan disposisi yang dibutuhkan siswa untuk memahami, mengevaluasi, dan bertindak atas umpan balik; sisi penyerapan dari sistem.
• Penilaian Formatif — konteks penilaian tempat umpan balik digunakan untuk memperbaiki pembelajaran saat masih berlangsung, bukan sekadar menilainya.
• Penilaian Sejawat — umpan balik yang dipertukarkan di antara Pembelajar, makin diperkaya AI dan menjadi lahan mengembangkan literasi umpan balik.
• Penilaian Otomatis — penilaian dan umpan balik yang digerakkan AI, dari penilaian esai otomatis hingga penilaian jawaban singkat yang sadar keyakinan.
• Bagian-bagian itu saling bertukar ganti. Merancang umpan balik berarti memilih di antara kegunaan, sumber, dan keberlanjutan alih-alih memaksimalkan ketiganya; Pedlow dkk. (2026) memperlakukan keberlanjutan sebagai kutub yang tidak boleh bergantung pada individu, sumber daya, atau kondisi institusional mana pun.

Loop umpan balik

Loop umpan balik adalah proses siklikal ketika sistem AI menilai karya siswa, menyampaikan umpan balik, mengamati respons siswa, dan menyesuaikan pengajaran berikutnya. Loop umpan balik yang termediasi AI beroperasi pada berbagai skala waktu:

• Umpan balik segera: Sistem penilaian otomatis dan tutor AI memberikan koreksi waktu nyata selama Pemecahan Masalah. Penelitian jebakan jawaban benar menunjukkan bahwa umpan balik segera dapat memutus pembelajaran jika siswa sekadar menyalin koreksi. Menghasilkan umpan balik korektif segera itu dengan LLM di dalam tutor memang layak tetapi tidak sempurna: dari 6,926 transaksi tercatat di platform Apprentice Tutor College Algebra, Reddig, Arora & MacLellan (2025) menemukan GPT-4 menghasilkan petunjuk yang tertuju pada kesalahan spesifik siswa sekitar 66% kasus, namun sekitar 35% petunjuk terlalu umum, salah, atau terlalu cepat membocorkan jawaban, dan pemeriksaan kualitas otomatis berbasis LLM tidak selaras dengan penilaian manusia — memperkuat bahwa umpan balik AI yang belum ditelaah dalam loop segera membawa risiko pemutusan pembelajaran yang nyata.
• Umpan balik tingkat tugas: sistem Penilaian Formatif dan penelitian kualitas umpan balik AI mengkaji apakah umpan balik tugas yang dihasilkan AI memperbaiki pekerjaan berikutnya. Studi umpan balik berurutan menguji apakah urutan umpan balik penting.
• Loop tingkat mata kuliah: Dasbor analitik pembelajaran dan platform pendidikan mengagregasi umpan balik lintas tugas untuk mengenali pola dan merekomendasikan intervensi.

Efektivitas loop umpan balik bergantung pada kualitas umpan balik — ketepatan, kekhususan, ketepatan waktu, dan keterlaksanaan. Sistem umpan balik sejawat AI menambahkan dimensi sosial pada loop.

Manusia dalam loop: loop umpan balik tidak sepenuhnya otomatis — guru sering memediasi umpan balik yang dihasilkan AI sebelum mencapai siswa. Studi tentang alat umpan balik AI untuk guru (misalnya alat PolyFeed yang menggabungkan detektor ML dengan Model Bahasa Besar (LLM)) menemukan guru memakai pertimbangan profesional untuk menerima, menyunting, atau menolak saran AI — pola "membantu tetapi memverifikasi" — dan secara sistematis memoderasi pujian berlebihan serta saran generik untuk melindungi keaslian dan suara. Dimensi relasional/afektif umpan balik (hubungan siswa–guru, dorongan) paling kuat menolak delegasi ke AI, menunjukkan bagian loop ini tetap inheren manusiawi. Mediasi manusia-dalam-loop ini terhubung ke Human-in-the-Loop dan ke Pengajaran.

• Penalti relasional dapat diukur, dan terpisah dari kualitas. Dalam RCT tiga lengan dengan 287 penulis, umpan balik AI dan instruktur sama-sama menaikkan kualitas esai revisi (d = 0.60 dan 0.59), tetapi umpan balik instruktur menaikkan motivasi intrinsik melalui keterhubungan yang dipersepsikan (Liu & Shi (2026)).

Tinjauan kebijakan Luo dan Eaton mempertajam poin yang sama: hanya 14 dari 50 universitas peringkat teratas memiliki panduan spesifik tentang penggunaan AI oleh guru untuk umpan balik, dan siswa menyebut umpan balik AI yang tidak diungkap sebagai "tidak tulus", menjadikan transparansi dan persetujuan prasyarat praktik etis alih-alih sekadar kesopanan (Luo & Eaton (2026)).

LearnLens mengubah mediasi itu menjadi mekanisme: ia memperlakukan suntingan guru sebagai sinyal ketidakpuasan alih-alih koreksi, membelanjakan komputasi tambahan untuk refleksi yang lebih dalam alih-alih mengembalikan jawaban cepat, dan waktu median guru per tugas turun dari 10–30 menit menjadi di bawah lima menit (Zhao dkk. (2025)).

Pembacaan relasional itu lebih dalam daripada substitusi. Dalam lokakarya dengan 12 siswa dan 18 pendidik, Bearman dkk. (2026) menemukan siswa memperlakukan AI sebagai sumber tambahan namun cacat, menimbangnya terhadap rubrik, catatan kuliah, papan diskusi, dan komentar pendidik, serta menggunakannya sebagai pola bertahan saat respons manusia lambat; seorang siswa menempelkan komentar pendidik yang tipis ke chatbot untuk memikirkan langkah berikutnya. Kehadiran AI mengubah relasi alih-alih sekadar menambah komentar, sampai-sampai seorang siswa berhenti mempercayai umpan balik papan diskusi sejawat karena kemungkinan ditulis AI. Para penulis karena itu mengusulkan manusia-sebagai-loop: orang membantu orang membangun hubungan umpan balik yang lebih kuat seiring waktu, menggantikan pengawasan atas keluaran mesin.

Winstone dkk. (2026) membingkai ulang umpan balik GenAI sebagai soal kepedulian — praktik etis dan relasional alih-alih transfer informasi — dan menamai paradoks ruang aman: berkurangnya risiko personal dari alat itu mungkin mengorbankan persiapan siswa untuk gesekan dalam perjumpaan umpan balik profesional.

Bagaimana AI mengubah umpan balik

AI mengubah umpan balik dalam tiga arah konsekuensial, masing-masing menaikkan taruhan sisi-sisi lainnya:

• Volume dan kesegeraan. AI dapat menghasilkan umpan balik secara instan dan dalam skala besar, meningkatkan secara dramatis banyaknya umpan balik yang diterima siswa. Studi umpan balik GenAI multi-situs dan umpan balik AI di pendidikan tinggi mendokumentasikan umpan balik AI yang dialami setara dengan umpan balik guru dalam hal keberterimaan dan dukungan. Tinjauan sistematis terpandu PRISMA atas 42 studi empiris (2023–2025) menguatkan manfaat skala ini — LLM dapat mempercepat penilaian dan menyampaikan umpan balik personal yang cepat dalam skala besar, terutama pada kohort besar atau pendidikan tinggi — sambil memperingatkan bahwa umpan balik semacam itu kadang terlalu generik atau tidak selaras dengan nilai yang diberikan, dan reliabilitasnya menurun pada tugas yang lebih panjang, multibahasa, atau bernuansa (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback).

• Personalisasi adalah vektor bias. Dengan esai kelas delapan dipegang konstan, empat LLM memuji berlebihan dan menahan kritik bagi siswa yang ditandai berdasarkan ras, bahasa, atau disabilitas — jadi atribut siswa mana yang masuk ke sistem umpan balik adalah keputusan keadilan, bukan keputusan netral (Tan, Phalen & Demszky (2026)).

• Tuntutan evaluasi bagi siswa. Karena umpan balik AI dapat tidak akurat atau berhalusinasi, siswa harus menilai apakah akan Kepercayaan dan bertindak atasnya. Di sinilah Literasi Umpan Balik dan Kalibrasi Kepercayaan menjadi menentukan: Mendoza dkk. (2026) menunjukkan hanya siswa yang melek umpan balik yang mengubah umpan balik AI menjadi perolehan Regulasi Diri dalam Belajar, sementara falasi LLM menangkap bagaimana siswa dapat terlalu mengkreditkan umpan balik AI pada kompetensi mereka sendiri.

• Literasi umpan balik dibangun oleh penggunaan, bukan demografi. Pada 486 mahasiswa sarjana EFL, hanya frekuensi penggunaan alat AI yang memprediksi literasi umpan balik AI (β = 0.29) — bukan jurusan atau tahun studi — sehingga perancahan akses ke umpan balik termediasi AI adalah pertanyaan keadilan sekaligus pertanyaan desain (Liu & Deris (2025)).

• Persetujuan laboratorium bukan penggunaan semester. Semua 18 siswa bereaksi positif terhadap fungsi penjelasan GenAI dalam sesi laboratorium, namun hanya separuhnya menggunakannya selama semester, dengan alasan ketidakcocokan, ketidakterkaitan, dan redundansi ketika umpan balik pendidik sudah jelas (Jin dkk. (2025)).

• Kepercayaan dan kepedulian, bukan ketepatan, yang membatasi penyerapan. Tujuh belas siswa EFL menilai asisten menulis AI sangat ahli namun meragukan kepercayaannya soal penanganan data dan menilai niat baiknya paling rendah, hanya mengizinkannya untuk persoalan bahasa yang luas; beberapa juga merasa volume sarannya tak terkelola (Serpil & Mor, 2026).

• Kesesuaian tingkat tugas: memilah umpan balik menurut status epistemik. Venetsanos (2026) berargumen bahwa kerangka yang diandalkan bidang ini — tingkat Hattie dan Timperley, prinsip desain Boud dan Molloy — menjelaskan di mana umpan balik beroperasi dalam pembelajaran tetapi tidak apakah suatu tugas umpan balik melibatkan pemeriksaan aturan, verifikasi faktual, atau pertimbangan interpretatif, dan pembedaan keduanyalah yang menentukan apakah otomasi dapat dipertahankan. Pembagian tripartit yang diusulkan adalah umpan balik struktural dan presentasional tingkat rendah (pemformatan, perujukan, tata bahasa, kejelasan tingkat kalimat — berbasis aturan terhadap standar eksplisit dan aman diotomasi), verifikasi faktual dan prosedural tingkat menengah (apakah suatu perhitungan memakai metode yang ditentukan dengan benar, apakah fakta yang dinyatakan cocok dengan rujukan otoritatif — perbandingan terhadap pengetahuan yang mapan, bukan penilaian penalaran), dan evaluasi kritis serta sintesis tingkat tinggi, ketika pertimbangan bersifat interpretatif dan harus tetap manusiawi. Tingkat-tingkat itu adalah dimensi alih-alih tangga: satu perhitungan dapat tersaji dengan benar, salah secara aritmetika, dan tidak tepat secara metodologis sekaligus, dan dapat memikat verifikasi, umpan balik proses, serta umpan balik regulasi diri secara bersamaan. Kasus batas paling tajam dari kerangka ini adalah kejelasan: kejelasan tingkat kalimat bersifat permukaan, tetapi ketidakjelasan argumentatif sering menandakan pemahaman konseptual yang belum utuh, sehingga temuan yang ditandai harus dieskalasi ke tinjauan manusia alih-alih dikoreksi sebagai prosa — memperbaiki tulisannya akan membiarkan masalah sebenarnya tak tersentuh.

• Umpan balik sadar peran. Yaşar dkk. (2026) menunjukkan bahwa memberi prompt LLM yang sama untuk mengevaluasi artefak siswa yang sama di bawah peran berbeda — instruktur, peninjau sejawat, peninjau hibah — menghasilkan umpan balik yang berbeda secara kualitatif: instruktur mendorong dan berorientasi proses, sejawat mendukung dan percakapan, peninjau hibah formal dan berorientasi hasil. Perbedaan itu epistemik, bukan sekadar stilistik, menonjolkan aspek praktik desain yang berbeda — bukti bahwa pemberian prompt sadar peran dapat menghasilkan umpan balik evaluatif yang peka peran alih-alih satu respons generik.

• Jenis umpan balik lebih penting daripada kepadatan umpan balik. Studi stokastika adaptif delapan pekan (194 siswa) menemukan umpan balik direktif, informatif, dan transformatif diserap secara berbeda, dan umpan balik transformatif berkontribusi pada beban kognitif — jadi desain umpan balik harus mencocokkan jenis dengan fase siswa alih-alih memaksimalkan volume (Mejeh & Fromm (2026)).

• Kegunaan umpan balik vs. otoritas evaluatif. AlGhamdi (2026) menunjukkan siswa dapat sekaligus menerima umpan balik yang dihasilkan AI sebagai berguna dan menolak AI sebagai penilai yang tepat — memisahkan kegunaan umpan balik (nilai informasional umpan balik tingkat permukaan) dari otoritas evaluatif (siapa yang boleh menentukan nilai). Dalam desain penilaian pasca-transparansi, mahasiswa komputasi Saudi memperlakukan keduanya sebagai pertimbangan yang berbeda secara analitis, menghargai kejelasan ChatGPT untuk revisi sambil menyisakan otoritas penilaian bagi instruktur manusia dan mengartikulasikan alasan dialogis dan berbobot institusional mengapa demikian. Temuan ini memperluas Literasi Umpan Balik melampaui menilai kualitas umpan balik menuju penalaran tentang otoritas evaluatif itu sendiri, dan menyarankan transparansi tentang keterlibatan AI dapat menjadikan umpan balik objek refleksi kritis alih-alih penerimaan pasif.

• Sikap revisi adalah hasil, bukan sekadar kualitasnya. Penelitian umpan balik biasanya menanyakan apakah suatu revisi memperbaiki teks. Zhao dan Ji (2026) menanyakan sikap retoris apa yang diambil teks revisi, mengodekan 168 esai argumentatif EFL dengan Teori Apraisal pada draf pertama, revisi setelah umpan balik sejawat, dan revisi ChatGPT-4 atas draf yang sama. Bahasa keterlibatan sama seringnya pada ketiganya, tetapi terkonfigurasi berbeda: revisi dari umpan balik sejawat menjadi lebih kontraktif (lebih banyak Counter dan Endorse, lebih sedikit Entertain), sementara revisi AI mempertahankan campuran Contract/Expand yang lebih seimbang. Tak satu pun lebih baik sebagai tulisan — intinya adalah kedua jalur revisi meninggalkan argumen pada posisi dialogis yang berbeda, yang menjadikan sikap itu sendiri sesuatu yang dapat dinamai percakapan umpan balik dan dapat dipilih penulis.

• Penjelasan dapat persuasif sekaligus tidak setia. Bueno dkk. (2026) menemukan bahwa menghapus kalimat yang diperingkat rasional LLM sebagai paling berpengaruh nyaris tidak menggeser skor rubrik, sementara kalimat terpilih SHAP menggesernya secara andal dan bertransfer lintas keluarga model, sehingga justifikasi yang lancar bukan bukti bahwa skor bersandar padanya.

• Literasi umpan balik sebagai tujuan pelatihan. Alih-alih hanya menyediakan umpan balik, alat AI makin dirancang untuk mengajarkan siswa menggunakan umpan balik — membingkai ulang alat umpan balik otomatis sebagai instrumen pembangun literasi, membingkai GenAI sebagai pemungkin keterlibatan umpan balik, dan memakai tugas kritik GenAI untuk membangun literasi psikologis, umpan balik, dan AI secara bersamaan.

• Literasi umpan balik dan kalibrasi adalah tuas yang dapat dipisahkan. Dengan 120 mahasiswa sarjana, Naskah Literasi Umpan Balik (Filter–Reason–Act–Check) menaikkan kualitas tulisan, penyerapan efektif, dan revisi mendalam, Aktivitas Kalibrasi Penilaian-Kinerja memperbaiki akurasi penilaian diri dan memangkas kepercayaan berlebih, dan menggabungkan keduanya menghasilkan perolehan tulisan terbesar serta retensi terkuat setelah dukungan AI ditarik (Dai (2026)).

• Kejelasan bukan efektivitas. Pesan galat Python yang ditulis ulang LLM dinilai jauh lebih terbaca dan kurang menuntut kognitif daripada keluaran juru bahasa standar, namun tidak menghasilkan kenaikan signifikan pada laju perbaikan, jumlah percobaan, atau waktu-perbaikan (Moraru, Biswas & Gadiraju (2026)).

Apa yang membuat umpan balik efektif: bukti kalibrasi

Ngai & Gilbert (2026) memberikan hasil eksperimental bersih tentang desain umpan balik dengan relevansi langsung bagi AIED: umpan balik veridikal, segera, percobaan-demi-percobaan yang terikat pada prediksi siswa sendiri itulah yang mengubah perilaku — prediksi atau keyakinan saja tidak cukup. Dalam desain empat kelompok mereka, umpan balik yang digabung dengan prediksi kinerja sebelumnya memperbaiki kalibrasi dan perilaku, sementara prediksi tanpa umpan balik tidak melakukan apa pun, dan menambahkan label kepercayaan berlebih/kurang yang eksplisit tidak menambah apa-apa lagi. LLM juga dapat berperan sebagai mitra kalibrasi dalam proses ini: Yaşar dkk. (2026) menemukan bahwa setelah penghalusan rubrik, LLM menunjukkan konsistensi lebih besar daripada sebagian penilai manusia dalam menerapkan ambang kinerja — berguna untuk sesi penormaan dan lingkungan umpan balik sejawat formatif, di mana model membantu mengalibrasi pertimbangan evaluatif alih-alih menggantikannya. Ini selaras dengan pandangan sistem umpan balik basis pengetahuan: kekuatan umpan balik terletak pada menutup kesenjangan terhadap estimasi siswa sendiri (pasangan penyediaan–penyerapan), dan umpan balik efektif harus segera, akurat, dan terhubung eksplisit dengan apa yang diprediksi siswa — prinsip desain bagi sistem umpan balik AI dan pelatihan Literasi Umpan Balik sekaligus.

Namun, usaha bukan otomatis bahan yang hilang. Dalam eksperimen antarsubjek praregistrasi dengan 302 orang dewasa AS yang mempelajari Python pengantar, Asher, Gold & Carvalho (2025) memasangkan umpan balik penjelasan Claude Sonnet 3.5 yang dipersonalisasi dengan prompt penjelasan diri tiga langkah terstruktur — untuk setiap bagian kode yang salah, apa yang dilakukan kode yang benar dan mengapa upaya siswa sendiri gagal — dan refleksi tambahan itu tidak membeli apa pun. Partisipan Reflective Practice menghabiskan 4.1 menit meninjau umpan balik berbanding 2.1 menit di Practice biasa (t(267) = 11.30, p < .001), yang menyisakan ruang hanya untuk 2.0 soal latihan alih-alih 3.4 (t(267) = 8.20, p < .001); setiap soal bernilai sama pada kedua kondisi (Reflection × nomor soal OR = 1.03, z = 0.23, p = .486), sehingga Practice berakhir dengan penguasaan lebih tinggi, 79% versus 65% (d = .41), dan tidak pernah tertinggal pada butir near-transfer, far-transfer, atau evaluasi kode. Refleksi juga gagal memberikan manfaat metakognitif yang disasar: penilaian pembelajaran tidak berbeda antarlengan, dan kondisi latihan lebih terkalibrasi (kurang percaya diri 11 poin, berbanding penonton video yang kelebihan percaya diri 20 poin, d = −.93) serta melaporkan lebih sedikit distraksi (d = −.80) daripada siswa reflektif, yang refleksinya rata-rata hanya 35 kata. Pembacaan penulis adalah bahwa umpan balik AI sudah menyediakan Perancah yang biasanya ditambahkan penjelasan diri — pesan yang menamai kesalahan, menjelaskan pendekatan yang benar, dan memaparkan konsep dasarnya menyisakan sedikit pekerjaan bagi prompt refleksi — dan bahwa menulis refleksi sambil masih mempelajari sintaksis yang belum dikenal bersaing langsung dengan pengulangan bervariasi yang membangun keterampilan yang dapat ditransfer. Hal ini menempatkan kondisi batas bagi Kesulitan yang Diinginkan dan Kegagalan Produktif pada sumbu kedalaman pemrosesan: usaha berbuah ketika ia menggerakkan pengambilan, penerapan, atau pembandingan tambahan, dan redundan ketika siswa sudah menerima penjelasan personal atas kesalahannya yang spesifik. Hal ini juga menyangkut bagaimana kualitas umpan balik berinteraksi dengan penyerapan: makin terperinci dan tertarget umpan balik, makin sempit ruang bagi lapisan tambahan untuk memberi nilai, yang menggeser perhatian desain dari memperdalam satu episode menuju membelanjakan menit latihan yang langka pada volume, variasi soal, dan penempatan waktu refleksi pada momen seperti dataran yang terdeteksi — studi ini menguji satu penyempurnaan yang belum ditelaah, dan penulis mencatat bahwa varian-varian itu masih terbuka.

• Fokus dan adaptivitas adalah dimensi umpan balik yang dapat dipisahkan. Anotasi komentar guru dan LLM dalam tiga mata kuliah menulis universitas dengan tujuh jenis fokus umpan balik menunjukkan bahwa sebagian besar model mencakup hampir semua jenis sementara tak satu pun menyamai distribusi guru di antaranya, dan tak satu pun menggeser fokusnya lintas tahap draf seperti yang dilakukan instruktur ahli (Almousa dkk., 2026).
• Perolehan agregat dapat menyembunyikan pergeseran yang saling menutup. Tiga bulan umpan balik WISE Agent dengan 260 siswa kelas enam Tiongkok tidak menggeser skor total disposisi berpikir kritis (t=-0.854, p=0.394), namun Pencarian Kebenaran naik (p<0.001) sementara Kematangan Kognitif turun (p=0.019) — penurunan yang dibaca penulis sebagai siswa mengalibrasi ulang pemahaman yang dinilai berlebih. (Zhu dkk. (2026))

Umpan balik lintas konteks penilaian

Penelitian umpan balik di basis pengetahuan mencakup seluruh rentang konteks penilaian, masing-masing dengan dinamika umpan balik yang khas:

• Umpan balik formatif adalah situs kanonis umpan-balik-untuk-pembelajaran — penilaian formatif memberi makan pembelajaran mandiri melalui umpan balik yang tiba saat pembelajaran masih berlangsung (penilaian formatif otomatis, penataan umpan balik).

• Umpan balik sumatif adalah umpan balik yang melekat pada penilaian sumatif — ujian akhir unit, ujian lisan, dan ujian diawasi/tanpa buku. Di era AI, lingkungan sumatif adalah tempat resistensi AI paling penting (lihat Penilaian Sumatif): umpan balik pada ujian lisan yang diawasi atau penilaian tanpa buku menguji pembelajaran sejati, sedangkan umpan balik pada pekerjaan rumah berbantuan AI dapat menggelembung. Penilaian lisan membingkai ulang momen umpan balik sebagai dialog hidup dan interaktif — umpan balik menjadi segera, percakapan, dan tak terpisahkan dari penilaian itu sendiri, yang justru menjadi alasan mereka menolak substitusi AI.

• Umpan balik sejawat menambahkan lapisan sosial — umpan balik sejawat mengembangkan literasi umpan balik dan makin diperkaya AI (umpan balik sejawat AI, GenAI dalam umpan balik sejawat EFL). Namun umpan balik sejawat hanya sebaik penyampaian aktualnya: dalam eksperimen lapangan satu semester, kurang dari dua pertiga siswa yang ditugasi umpan balik sejawat tidak menerima umpan balik tekstual sama sekali, dan banyak yang tersampaikan berupa pujian tak tertarget — sehingga ketika umpan balik GPT-4 individual menggantikan sejawat yang tak andal, siswa mempertahankan partisipasi tertinggi dan memposting perolehan belajar konten terbesar (Geschwind dkk., 2026), bukti bahwa keunggulan AI adalah keunggulan keandalan alih-alih superioritas inheren.

• Perancah prompt mengubah GenAI menjadi fasilitator umpan balik. Chang dkk. (2026) menemukan siswa yang diberi prompt terstruktur (konteks, tujuan, peran) untuk umpan balik sejawat menghasilkan lebih banyak penjelasan dan saran, dan hanya kelompok itu yang unggul pada data bantahan dan penanganan pandangan lawan.

• Umpan balik otomatis menskalakan penyampaian — penilaian dan umpan balik otomatis dari penilaian esai hingga penilaian jawaban singkat. Arthur (Yin dkk. 2026) memperluasnya ke soal kuantitatif tak terstruktur: tulang punggung diagnosis XGBoost per soal menyimpulkan kesalahan berlabel rubrik dari jawaban numerik siswa pada Engineering Economics Calculated Formula Questions dan mengubahnya menjadi umpan balik bahasa alami, sementara skema berbasis dialog meminta jawaban antara hanya ketika keyakinan rendah — menyeimbangkan ketepatan umpan balik dengan beban pengumpulan bagi siswa.

• Evaluasi tulisan otomatis adalah alat sisi-penyampaian dengan biaya yang terukur. Tinjauan 50 studi empiris (2019–2024) menemukan evaluasi tulisan otomatis memperbaiki tata bahasa, tanda baca, dan pembentukan kalimat pada 25 studi serta mengurangi beban koreksi mekanis guru pada 15 studi, membebaskan waktu untuk argumentasi, koherensi, dan organisasi; perolehan hanya bertahan ketika alat berada di dalam siklus penyusunan dan revisi terstruktur alih-alih sebagai bantuan mandiri, ketergantungan berat padanya terkait dengan berpikir kritis dan kreativitas yang lebih lemah, dan alat mereproduksi norma bahasa Inggris terstandardisasi yang oleh pengguna EFL dilaporkan tidak selaras dengan tradisi retoris mereka (Gres dkk., 2026).

Wawasan lintas konteks yang kunci adalah bahwa keandalan umpan balik bergantung pada integritas penilaian yang dilekatinya: umpan balik hanya sepercaya alat ukur yang dijawabnya. Di era AI, hal ini mendorong pendidik menuju format autentik dan sumatif yang resistan AI, ketika umpan balik yang diterima siswa mencerminkan pembelajaran sejati alih-alih keluaran berbantuan AI.

Paradigma "penilaian untuk pembelajaran" membingkai ulang umpan balik sebagai filsafat menyeluruh alih-alih komponen. Mesny, Roberge-Maltais & Galy (2026) menyintesis literatur pendidikan tinggi yang lebih luas untuk membingkai umpan balik formatif, berkelanjutan, dan individual sebagai inti filsafat itu, menyeimbangkan tujuan formatif dengan sumatif dan menonjolkan agensi siswa, Regulasi AI dalam Pendidikan diri, dan keterampilan metakognitif. Namun mereka mencatat bahwa dalam pendidikan manajemen praktik kaya umpan balik masih diadopsi secara tidak merata: penilaian diri dan sejawat (situs umpan balik sejawat) mendominasi literatur, sementara penilaian ulang — yang memakai kesempatan kedua yang digerakkan umpan balik untuk memperbaiki pembelajaran — nyaris absen.

• Keterlaksanaan yang didemonstrasikan bukan keterlaksanaan yang diwujudkan. Dalam tinjauan lingkup 421 studi yang menerapkan NLP pada komentar evaluasi pengajaran siswa terbuka, 61.3% menghasilkan keluaran pada tingkat hasil yang didemonstrasikan atau lebih kuat, tetapi hanya 11.6% menunjukkan bukti bahwa pengguna yang dimaksud mengevaluasi atau memakainya (Eicher & da Silva, 2026).

Pasangan penyediaan-penyerapan

Wawasan inti umpan balik di basis pengetahuan adalah bahwa kualitas umpan balik dan literasi umpan balik adalah dua sisi dari satu sistem: umpan balik berkualitas tinggi lembam tanpa penerima yang melek, dan siswa yang melek sedikit memperoleh dari umpan balik yang buruk. Kualitas Umpan Balik AI mencakup sisi penyediaan (apakah umpan balik akurat, tepat waktu, dapat ditindaklanjuti?), sementara Literasi Umpan Balik mencakup sisi penyerapan (dapatkah siswa menilai dan bertindak atasnya?). Loop umpan baliklah yang menghubungkan keduanya — mekanisme yang dengannya umpan balik berkualitas, diterima siswa yang melek, menutup kesenjangan. Merancang umpan balik AI yang efektif karena itu berarti merancang sistem dan siswanya sekaligus.

Kapasitas sisi-siswa mana yang penting dapat dipisahkan secara empiris: di antara 1.507 siswa menengah yang masing-masing menerima satu pesan umpan balik otomatis terstandardisasi atas teks argumentatif, hanya keterlibatan perilaku dengan umpan balik dan sikap instrumental terhadapnya yang memprediksi kinerja revisi — siswa pada persentil ke-75 pada salah satu dimensi membaik sekitar 0.10 atau 0.11 poin WLE lebih banyak daripada siswa sebanding pada persentil ke-25, kira-kira persentil ke-46 hingga ke-54 — sementara penerimaan global, keterlibatan kognitif, dan sikap pengalaman tidak terkait dengannya dan kegunaan yang dipersepsikan tidak memediasi jalur dimensi mana pun ke kinerja. Kegunaan bekerja pada luaran lainnya: efek penerimaan global terhadap minat situasional berjalan sepenuhnya melalui kegunaan yang dipersepsikan (β tak langsung = 0.09, 95% CI [0.06, 0.13]), sehingga perolehan revisi mengikuti kebiasaan bertindak atas umpan balik yang bertahan lama sementara minat mengikuti penilaian atas pesan tertentu. (Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception)

Suatu sumber dapat berbeda dalam cara mengalibrasi, bukan seberapa baik ia menilai: dalam eksperimen acak, umpan balik AI rantai-pemikiran mengungguli guru berpengalaman pada kualitas rubrik namun tidak menghasilkan perolehan revisi lebih besar, sementara umpan balik guru tetap terkalibrasi lintas draf dan umpan balik GenAI mengikuti kekuatan esai awal (Farrokhnia dkk. (2026)).

Model dua lapis menunjukkan bagaimana pasangan itu dapat diorganisasi di sekitar mesin tanpa menyerahkan pertimbangan kepadanya. Dalam contoh kerja El Khoury dan Ma, sebuah agen menghasilkan draf laporan bukti berbasis rubrik atas setiap transkrip dengan setiap penilaian terikat pada kutipan, lalu instruktur meninjau laporan itu, memimpin pembahasan, dan memutuskan apa makna bukti itu bagi siswa tersebut — pembagian yang oleh penulis diringkas sebagai AI mengorganisasi bukti sementara instruktur menafsirkannya. Klaim mereka tentang penyerapan berbasis apraisal: umpan balik dan iterasi di luar hierarki sosial yang siswa jalani bersama sejawat dan instruktur lebih mudah dicoba, dan latihan pada tempo siswa sendiri itulah yang mereka argumentasikan mengubah kepercayaan diri sesekali menjadi kebiasaan tetap dalam berinteraksi dengan umpan balik.

Mengapa umpan balik penting bagi AI dalam pendidikan

Umpan balik adalah salah satu mekanisme paling konsekuensial dan paling terbukti dalam pendidikan, dan AI memperkuat sekaligus memperumitnya. Umpan balik AI yang terarsitektur baik dapat menyamai atau melampaui umpan balik manusia dan berskala lintas kohort, tetapi menuntut kapabilitas siswa yang baru (Literasi Umpan Balik, Literasi AI) dan membawa risiko (penerimaan tanpa kritik, Ketergantungan Berlebih). Saat umpan balik yang dihasilkan AI menjadi di mana-mana, basis pengetahuan membingkai umpan balik sebagai sistem menyeluruh — kualitas, loop, literasi, dan konteks penilaian bekerja bersama — alih-alih komponen tunggal mana pun.

• Umpan balik dapat menyasar pemberi umpan balik. Pelatihan tutor adalah konteks umpan balik yang kurang dieksplorasi: sistem otomatis yang memberi label urutan pada respons terbuka tutor untuk menandai jenis pujian (pujian berbasis usaha — jenis berfokus proses yang diinginkan — vs. berbasis hasil vs. berbasis pribadi, jenis paling tidak diinginkan yang mengatribusikan sifat) dapat memberikan umpan balik penjelasan yang mengubah perilaku tutor. Kendala pengikatnya adalah data berlabel ahli. Pendekatan augmentasi — GPT-4o menghasilkan respons berlabel sintetis yang memperluas set sumber daya rendah 13 instans menjadi 520, lalu menyetel halus GPT-3.5 — memulihkan sebagian besar kesenjangan: F2 +20.5% pada pujian berbasis usaha, +17.3% pada berbasis hasil, dan +16.5% pada kategori berbasis pribadi yang tak terlihat. Uji generalisasi ke jenis pujian yang tak terlihat adalah pemeriksaan validitas yang memisahkan ini dari overfitting, dan mekanismenya lebih dekat ke distilasi model guru daripada augmentasi klasik. (Improving automated feedback systems for tutor training in low-resource scenarios through data augmentation)

• Umpan balik yang tak dapat melihat revisi akan terulang. Dalam permainan pembelajaran sains yang agennya mengkritik draf argumen, siswa merevisi lintas beberapa putaran, tetapi model 8B terkuantisasi mengembalikan kritik yang pada dasarnya sama untuk draf yang sudah membaik, sehingga loop yang memotivasi revisi juga menghasilkan frustrasi yang mengakhirinya (Humburg dkk., 2025).

• "Nada adalah detail kualitas umpan balik." Dalam tolok ukur itu ia mengikuti angka yang diberikan: setiap model, ketika diberi nilai yang bertentangan dengan pekerjaannya, menulis umpan balik yang nadanya mengikuti nilai tersebut, dan bagi delapan dari 22 pergeseran per poin menyamai atau melampaui pergeseran mengikuti kualitas karya. Hanya aturan nada yang divalidasi terhadap anotator terlatih, pada 1,655 balasan tutor, sehingga substansinya tidak terukur. Penilai yang menulis umpan balik dari nilai yang salah mencuci galat itu menjadi pujian atau kritik.

Umpan balik dapat dibangun dari proses alih-alih produk. Dalam Xian dkk. (2026) satu lengan menerima visualisasi personal atas aktivitas ketukan tombol dan layar mereka sendiri disertai refleksi terstruktur, sementara lengan lain menerima komentar tertulis instruktur tentang ketepatan, kejelasan, dan kualitas editorial. Lengan proses memperoleh 5.64 poin pada penilaian editorial buta 0-100 berbanding 1.91 pada lengan produk, dengan interaksi Grup menurut Waktu (F(1, 20) = 4.94, p = 0.038, eta kuadrat parsial 0.198) dan perolehan lengan kontrol sendiri tidak signifikan (p = 0.123). Sebelas siswa per lengan berarti arahnya adalah temuannya, bukan besarnya.

Miskonsepsi Umum

• "Siswa tidak dapat membedakan umpan balik AI dari umpan balik manusia." Mereka bisa, dan labelnya mengubah penilaian: begitu label diungkap, penilaian varian AI turun dan varian manusia naik — signifikan untuk Keaslian (p < .01). Kredibilitas penyedia membentuk evaluasi atas umpan balik bergaya identik.
• "Persetujuan laboratorium memprediksi penggunaan semester." Persetujuan laboratorium bukan penggunaan semester: semua 18 siswa bereaksi positif terhadap fungsi penjelasan GenAI dalam sesi laboratorium, namun hanya separuhnya menggunakannya selama semester. Kesenjangan niat-penggunaan adalah masalah desainnya.
• "Umpan balik korektif segera sudah teratasi dengan LLM." Menghasilkannya di dalam tutor layak tetapi tidak sempurna: dari 6,926 transaksi tercatat dalam koleksi Apprentice Tutor, umpan baliknya cukup baik untuk diterapkan dan belum cukup baik untuk diasumsikan benar.

Konsep terkait

• Pola Pedagogis — Urutan umpan balik yang teruji, termasuk mengapa umpan balik AI yang lebih berkualitas tidak menghasilkan revisi lebih banyak
• E-Portofolio
• Kualitas Umpan Balik AI
• Literasi Umpan Balik
• Penilaian Formatif
• Penilaian Sumatif
• Penilaian Sejawat
• Penilaian Diri
• Penilaian Otomatis
• Penilaian
• Penilaian Autentik
• Validitas Penilaian
• Regulasi Diri dalam Belajar
• Literasi AI
• Perancah
• Menulis

Artikel terkait

• SciStory: Designing AI-Supported Inquiry in Science Learning Games — Umpan balik agen yang terulang lintas revisi (Humburg dkk. 2025)
• Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception — Umpan balik otomatis pada tulisan argumentatif: peran penerimaan dan persepsi umpan balik siswa menengah
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Agen AI, penilaian yang menyenangkan, dan ruang ketiga
• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — Perspektif siswa tentang penilaian tulisan berbantuan AI yang transparan (AlGhamdi 2026)
• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — Membandingkan penilaian ChatGPT, sejawat, dan instruktur lintas tingkat kualitas proyek (Usher & Faraon 2026)
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Pembebanan kognitif sensitif lapisan dalam penulisan berbantuan GenAI (Chen 2026)
• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback
• Generative AI offers more, but students revise less: comparing the effects of teacher and AI feedback on student essay revisions — Umpan balik guru vs. GenAI: siswa merevisi lebih sedikit dengan AI
• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — Umpan balik GenAI dan pembelajaran mandiri: sumber yang dipersepsikan itu penting
• Leveraging generative AI to facilitate peer feedback in collaborative argumentation learning — Umpan balik sejawat berbantuan GenAI dalam argumentasi kolaboratif
• Is It Ethical for Teachers to Use AI for Student Feedback? — Etika AI dalam umpan balik siswa
• Metacognitive Training Facilitates Optimal Cognitive Offloading — Pelatihan metakognitif memfasilitasi pembebanan kognitif yang optimal (Ngai & Gilbert 2026)
• AI Feedback Literacy in Higher Education: Understanding, Measuring, and Predicting Student Feedback Uptake — Skala Literasi Umpan Balik AI dan prediksi penyerapan (Liu & Deris 2025)
• Generative artificial intelligence as an enabler of student feedback engagement: a framework — GenAI sebagai pemungkin keterlibatan umpan balik siswa (Zhan, Boud, Dawson & Yan 2025)
• Making sense of AI feedback: how students' feedback literacy moderates the link between ChatGPT acceptance and self-regulated learning — Literasi umpan balik memoderasi umpan balik AI → SRL (Mendoza dkk. 2026)
• Rethinking AI-assisted writing instruction: feedback literacy scripts, calibration training, and student writing development — Naskah literasi umpan balik untuk penulisan berbantuan AI (Dai 2026)
• Students' Perceptions of Generative AI-Powered Learning Analytics in the Feedback Process: A Feedback Literacy Perspective — Analitik pembelajaran GenAI dalam umpan balik (Jin dkk. 2025)
• Reconnecting relationships through technology: Developing feedback literacy capabilities through an AI automated feedback tool — Alat umpan balik otomatis AI untuk literasi umpan balik (Tubino & Adachi 2025)
• Positioning Generative AI in EFL Peer Feedback: Training Feedback Literacy and Enabling Uptake in Speaking Classes — GenAI dalam umpan balik sejawat EFL untuk literasi umpan balik (Irwin & Muller 2026)
• Artificial intelligence and feedback in university education: effectiveness and student perceptions — Umpan balik yang dihasilkan AI di pendidikan tinggi
• The care-full craft of feedback in an age of generative AI — Desain umpan balik penuh kepedulian dengan GenAI
• How artificial intelligence transforms the feedback ecosystem in higher education — Ekosistem umpan balik di pendidikan tinggi: AI mengerjakan ulang relasi umpan balik, dan manusia sebagai loop (Bearman dkk. 2026)
• Enhancing learner-centered feedback with AI: teachers'' practices and perceptions — Praktik umpan balik AI yang berpusat pada siswa
• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — Desain umpan balik GenAI multi-situs
• Using AI-Generated Feedback to Improve Critical Thinking and Writing Proficiency — Umpan balik AI dan berpikir kritis dalam menulis
• Using Generative AI to Promote Psychological, Feedback, and Artificial Intelligence Literacies in Undergraduate Psychology — Penilaian GenAI membangun literasi psikologis, umpan balik, dan AI
• LearnLens: LLM-Enabled Personalised, Curriculum-Grounded Feedback with Educators in the Loop — LearnLens: umpan balik berbasis kurikulum dengan pengawasan pendidik (Zhao dkk. 2025)
• Assessing the Impact and Underlying Pathways of Sequenced AI Feedback on Student Learning — Studi umpan balik AI berurutan
• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education — Sistem umpan balik sejawat AI
• The Effect of High-Frequency, Automatically-marked Formative Assessments on Student Outcomes in A-Level Sciences — Penilaian formatif otomatis dalam sains A-level
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Menimbang ulang ujian lisan sebagai penilaian autentik yang resistan AI
• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: bias dalam umpan balik tulisan otomatis
• From Scoring to Explanations: Evaluating SHAP and LLM Rationales for Rubric-based Teaching Quality Assessment — SHAP vs rasional LLM untuk umpan balik pengajaran berbasis rubrik
• Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors — Penjelasan adaptif LLM atas galat pemrograman
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Persepsi siswa terhadap alat kecerdasan artifisial untuk produktivitas belajar dan pembelajaran: studi survei eksploratif
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLM sebagai agen desain pedagogis iteratif
• GPT-4 feedback increases student activation and learning outcomes in higher education
• Generating In-Context, Personalized Feedback for Intelligent Tutors with Large Language Models
• Arthur: An artificial intelligence powered teaching assistant system for Engineering Economics class
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback
• A Tripartite Feedback Framework for AI-Assisted Assessment of Complex Reports in Higher Education — Kerangka tripartit: memilah umpan balik menurut status epistemik dan lima prinsip batas untuk keterlibatan AI (Venetsanos 2026)
• Benefit or Bottleneck? Assessing the Impact of Structured Reflection on Learning from AI-Driven Explanatory Feedback — Manfaat atau hambatan? Refleksi terstruktur atas umpan balik penjelasan AI (Asher, Gold & Carvalho 2025)
• Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback — Reliance Terbatas: Perspektif Kredibilitas Sumber tentang Keterlibatan Mahasiswa EFL dengan Umpan Balik Tulisan yang Dihasilkan AI
• From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning — Dari Pembuatan Konten ke Dukungan Pembelajaran: Tutor Video Generatif Terpandu Pedagogi untuk Pembelajaran STEM
• Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing — Mengevaluasi Fokus Umpan Balik dan Adaptivitas Pedagogis dalam Umpan Balik yang Dihasilkan LLM atas Tulisan Siswa
• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — Dari Klasifikasi Sentimen ke Umpan Balik yang Dapat Ditindaklanjuti dan Bertanggung Jawab: Tinjauan Lingkup dan Peta Bukti NLP dalam Evaluasi Pengajaran oleh Siswa, 2015–2026
• Who Gives Feedback Matters: Student Biases Towards Human and AI-Generated Formative Feedback — Siapa yang memberi umpan balik itu penting: label sumber menggeser penilaian ketika teksnya dipegang setara (Nazaretsky dkk. 2025)
• AI-Powered Feedback System for Writing: A Review of Automated Writing Evaluation (AWE) Tools — Sistem Umpan Balik Berbasis AI untuk Menulis: Tinjauan Alat Evaluasi Tulisan Otomatis (AWE)
• Human-written and AI-generated revisions: An appraisal analysis of dialogic positioning in argumentative writing — Apa yang dilakukan revisi terhadap sikap penulis: umpan balik sejawat membuat esai argumentatif lebih kontraktif, revisi AI mempertahankan keseimbangan Contract/Expand (Zhao & Ji 2026)
• Improving automated feedback systems for tutor training in low-resource scenarios through data augmentation — Memperbaiki sistem umpan balik otomatis untuk pelatihan tutor dalam skenario sumber daya rendah melalui augmentasi data (Xu dkk. 2025)
• A Conversational AI Framework for Teacher Training — Diagnostik AI percakapan untuk miskonsepsi pengajaran dengan dialog berbasis bukti (Miranda & Calvani 2026)
• Trade-offs in assessment and feedback design: a trilemma-based model — Menamai trade-off antara kegunaan, sumber, dan keberlanjutan, menjadikan keberlanjutan kutub desain
• Beyond agreement: a benchmark of how language models grade student work, and how they fail — Melampaui kesepakatan: 22 penilai berprompt menghadapi probe yang jawaban benarnya diketahui, dan sebagian besar dapat dibujuk naik (Porcaro 2026)
• As Effective as the Teacher, but Less Motivating: AI-Generated and Teacher Feedback in a Randomized Trial — Umpan balik AI dan instruktur setara pada kualitas revisi, tidak setara pada motivasi (Liu & Shi 2026)
• Process visualization feedback in news translation: a controlled intervention study of human-AI interaction using multimodal process data - umpan balik yang dihasilkan dari jejak ketukan tombol dan layar mengungguli komentar produk tertulis, 11 per lengan