Global South

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

Global South — negara-negara di Afrika, Asia, Amerika Latin, dan Oseania yang sering termarginalkan secara ekonomi, politik, dan historis relatif terhadap Global North. Dalam AI dalam pendidikan, riset pada konteks-konteks ini kian diakui sebagai kurang terwakili dalam basis bukti, namun mereka mengangkat pertanyaan khas tentang keadilan, relevansi kultural, keterbatasan sumber daya, dan dominasi epistemik data pelatihan Barat yang berbahasa Inggris.

Pertanyaan yang Perlu Dipertimbangkan

Jika sebuah sistem AI tampil baik pada uji tolok ukur yang dibangun dari data Barat berbahasa Inggris, seberapa yakin Anda bahwa sistem itu akan bekerja sama baiknya bagi siswa Anda? Apa yang ingin Anda periksa sebelum memercayainya dalam konteks Anda sendiri?
Pertimbangkan alat pembelajaran yang data pelatihan dan metrik evaluasinya semuanya dikembangkan di Global North. Asumsi tentang bahasa, tradisi pengetahuan, dan realitas pendidikan apa yang mungkin disandikannya secara diam-diam — dan siapa yang paling mungkin terwakili keliru olehnya?
Ketika adopsi AI diteliti, ruang kelas dan institusi siapa yang cenderung mendominasi basis bukti? Bagaimana hal itu dapat memiringkan apa yang kita anggap kita ketahui tentang apakah AI 'bekerja' dalam pendidikan?
Halaman ini berargumen agar epistemologi hidup dan komunitas pembelajar diperlakukan sebagai otoritatif, bukan sekadar tambahan pada model Barat. Apa yang dibutuhkan agar praktik atau riset AI Anda sendiri memusatkan pengetahuan lokal alih-alih mengimpornya dari tempat lain?
Keterbatasan sumber daya adalah tema berulang dalam konteks Global South. Bagaimana janji AI berbiaya rendah dan terukur dapat sekaligus menutup dan melebarkan kesenjangan kesempatan yang ada, bergantung pada bagaimana ia dirancang dan diterapkan?
Bagaimana Anda dapat mengetahui apakah sebuah teknologi yang 'diadopsi' di suatu latar benar-benar diadopsi karena cocok dengan kondisi lokal — atau karena diasumsikan akan bertransfer? Bukti apa yang akan membedakan keduanya?

Pendahuluan

Mengapa ini penting bagi AIED

Riset AI dan teknologi pendidikan arus utama secara historis didominasi oleh kumpulan data dan konteks institusional Barat yang berbahasa Inggris. Ini menciptakan dua masalah: (1) sistem AI yang dilatih pada data semacam itu mungkin berkinerja lebih rendah atau merepresentasikan pembelajar secara keliru di latar Global South, dan (2) tolok ukur evaluasi yang dibangun di Global North mungkin tidak mencerminkan realitas pendidikan, bahasa, atau tradisi pengetahuan kawasan lain. Riset dari konteks Global South dalam basis pengetahuan ini mencakup kumpulan data yang berlandaskan budaya, tolok ukur, dan studi adopsi teknologi, dengan implikasi bagi Literasi AI serta pendidikan tinggi dan K-12.

Penerapan dalam basis pengetahuan

Data dan tolok ukur yang berlandaskan budaya: IKS-Instruct menyediakan kumpulan data instruksi Sistem Pengetahuan India yang multibahasa; NSMQ Riddles memperkenalkan tolok ukur STEM berbasis Ghana, salah satu kumpulan data evaluasi pendidikan Global South yang pertama.
Kesadaran etika AI di pendidikan tinggi Ghana: Acquah et al. (2026) memvalidasi skala kesadaran etis AI tiga faktor (otonomi, berbuat baik, keadilan) pada 509 mahasiswa universitas di Ghana, menemukan lima profil laten dari kesadaran yang seragamnya sangat tinggi hingga klaster kecil yang nyaris tidak ada — paling lemah pada berbuat baik — dan tanpa perbedaan gender, sehingga menyediakan jangkar pengukuran Global South bagi literatur etika AI.
Penalaran etis guru dalam konteks bersumber daya rendah: Adelana et al. (2026) menemukan guru STEAM menengah yang sudah bertugas dalam konteks bersumber daya rendah menalar etika AI melalui identitas profesional, realitas kelas, dan norma kultural alih-alih daftar prinsip formal, yang menangkal asumsi "etika kosong" tentang Global South.
Adopsi kontekstual: Asag & Al Mamun memodelkan adopsi GenAI di kalangan mahasiswa teknik Bangladesh, dan ConnectED menerapkan sistem perencanaan pelajaran selaras kurikulum untuk pendidikan Vietnam.
Peningkatan kapasitas, bukan infrastruktur, yang menggerakkan adopsi fakultas. Di antara 255 fakultas Bangladesh, sikap terhadap GenAI secara kuat memprediksi penggunaan (β = 0.556) dan relevansi spesifik domain menggerakkan sikap (β = 0.413), sementara penyediaan teknologi institusional dan norma subjektif bukan prediktor signifikan (Alam et al. (2026)).
Integrasi institusional dan ketimpangan struktural: analisis konten komparatif Adeniranye et al. (2026) atas 45 universitas Nigeria (federal/negara bagian/swasta) menemukan bahwa integrasi AI diprediksi oleh usia dan lokasi geografis institusi — bukan jenis tata kelola — dan bahwa ikatan jaringan internasional dan industri saling memperkuat (r = 0.74), sehingga institusi yang terhubung baik melipatgandakan keunggulan sementara yang lain tertinggal lebih jauh. Studi itu menempatkan ketimpangan digital bukan hanya pada tingkat pembelajar tetapi dalam kapasitas struktural institusi pendidikan tinggi itu sendiri.
Pengembangan akademik sebagai mediasi digital di bawah kendala struktural: Sithole (2026) mewawancarai dua belas pengembang akademik dan perancang pembelajaran di dua Institusi Sejarah Kurang Beruntung di Afrika Selatan dan menarik garis analitis yang sering dikaburkan literatur Global South: ketimpangan digital bersifat distributif dan pada prinsipnya dapat dijawab melalui redistribusi dan akses, sementara kolonialitas algoritmik bersifat epistemik dan tetap bertahan bahkan di bawah akses penuh karena ia melekat pada apa yang disandikan sistem dan pengetahuan siapa yang dipusatkannya. Keduanya terjerat tetapi menuntut respons berbeda, dan institusi berada dalam posisi ganda — dikecualikan oleh kelangkaan infrastruktur, dan, ketika disertakan, disubordinasikan oleh sistem impor yang menyandikan pengetahuan dan norma lain. Retorika AI institusional ("kinerja lebih dari praktik") hadir secara longgar terkait dengan realitas material pengajaran, sehingga para pengembang menerjemahkan wacana transformasi digital global ke praktik yang layak secara kontekstual: menguji dan sengaja "merusak" alat di ruang sejawat, bersikeras pada pertimbangan alih-alih keterampilan, dan menyerap biaya afektif dari memproyeksikan keahlian yang masih mereka peroleh.
Marginalisasi epistemik: Tali-Otmani berargumen bahwa data pelatihan yang berpusat Barat memarginalkan pengetahuan non-Barat dan yang berpusat pada disabilitas — menghubungkan kekhawatiran Global South dengan Keadilan dan Pedagogi Relevan Budaya.
Disabilitas dan inklusi di Global South: Khlaif et al. (2026) — studi kasus kualitatif atas 21 mahasiswa tunanetra di tiga universitas Palestina — menemukan GenAI menjembatani kesenjangan digital, geografis, dan sosial-ekonomi bagi pembelajar difabel, memperluas riset penerimaan teknologi ke konteks disabilitas ketika keterpakaian, keterjangkauan, dan aksesibilitas saling memperkuat.
Merancang untuk stresor lokal di bawah keterbatasan sumber daya: Bashir dan Afzal (2026) membangun Sukoon sebagai respons desain Global South terhadap ketidakcocokan yang terdokumentasi — chatbot kesehatan mental yang dilatih sebagian besar pada kumpulan data Barat dan nyaris seluruhnya berbahasa Inggris, sementara mahasiswa Pakistan menghadapi stresor akademik, finansial, keluarga, dan relasional secara bersamaan dan sering tidak dapat mengangkat kesulitan emosional kepada orang tua, guru, atau teman sebaya karena stigma. Kendala praktis para penulis sama instruktifnya dengan model mereka: Sumber Terbuka Model Bahasa Besar (LLM) dengan akses gratis melalui API terkelola untuk kebutuhan sumber daya rendah, penerapan Flask ringan untuk universitas regional, "alat tersedia tetapi sering mahal" yang dicantumkan sebagai hambatan, dan akses tidak setara ke model berbayar yang ditandai sebagai risiko ketergantungan umum. Mereka juga mencatat pengklasifikasi dilatih pada kumpulan data yang tersedia publik namun tidak representatif bagi mahasiswa Pakistan, dan berkomitmen pada data DASS-21 yang dikumpulkan secara lokal sebelum menarik kesimpulan populasi.
Bukti penilaian yang tipis dan spesifik alat dari pendidikan tinggi Afrika: Tinjauan sistematis PRISMA 2020 atas riset empiris yang terbit antara 2023 dan 2025 hanya menemukan sepuluh studi, terkonsentrasi di Nigeria dan Afrika Selatan serta hampir seluruhnya dilakukan pada ChatGPT, sehingga apa yang diketahui tentang merancang ulang penilaian untuk AI generatif di pendidikan tinggi Afrika bersandar pada studi sampel kecil, satu institusi, dan laporan diri alih-alih perolehan belajar yang terukur — para penulis tinjauan itu membingkai rekomendasi mereka sebagai arah, bukan efek yang sudah mantap.
Keadilan adalah dimensi yang paling sedikit diteliti di seluruh kawasan. Tinjauan cakupan PRISMA-ScR atas 75 studi Global South (2022–2025) menemukan keadilan sebagai area yang paling sedikit ditelaah di antara lima areanya meskipun menjadi pusat pendidikan inklusif, dan melaporkan kesenjangan antara posisi etis yang dinyatakan siswa dan perilaku mereka (Nguyen & Perkins, 2026).

Implikasi

Menaruh perhatian pada konteks Global South menuntut melampaui asumsi bahwa model dan tolok ukur Barat bertransfer secara langsung. Ini menyerukan kumpulan data yang berlandaskan lokal, pedagogi yang relevan secara kultural, standar evaluasi yang berpusat komunitas, dan riset yang memperlakukan epistemologi hidup dan komunitas pembelajar sebagai otoritatif — sejalan dengan kerangka seperti pembelajaran AI berbasis komunitas dan riset penerimaan teknologi yang disesuaikan dengan kondisi lokal.

Rekam jejak penskalaan adalah bagian dari gambaran itu, dan ia menyadarkan. Program yang bekerja pada skala percontohan sering berhenti bekerja ketika pemerintah menjalankannya: program Kenya yang menghasilkan keuntungan substansial di bawah implementasi non-pemerintah tidak menunjukkan keuntungan yang dapat dideteksi pada skala pemerintah (Bold et al.), ukuran efek cenderung menurun seiring program tumbuh (Vivalt), dan mutu implementasi menipis seiring lokasi bertambah (Al-Ubaydli, List & Suskind). Preseden Amerika Latin sendiri adalah program One Laptop per Child Peru — sekitar 800,000 laptop dibagikan tanpa efek yang dapat dideteksi pada matematika atau membaca — yang darinya pelajaran yang diambil adalah bahwa akses ke teknologi bukan pengajaran. Restrepo Morales et al. (2026) menambahkan pelajaran pelaporan pada pelajaran penskalaan: dalam episode El Salvador 2026, percontohan tutoring AI di 171 sekolah diumumkan setara dengan Jerman dan Swedia sementara sampel PISA 2025 yang representatif dari negara yang sama tidak menunjukkan pergerakan pada dua dari tiga mata pelajaran, dan data percontohannya terlalu tipis (7.0 siswa yang dinilai per sekolah berbanding 25.4 secara nasional) untuk menyingkirkan seleksi sebagai penjelasannya. Bagi sistem Global South yang mengadopsi AI dalam skala besar implikasinya ganda: bukti bahwa sebuah reformasi bekerja biasanya menyangkut komponen yang dibingkainya alih-alih teknologi dalam judulnya, dan peluncuran bertahap yang dirancang sebelum penerapan mengidentifikasi efek dengan hampir tanpa biaya — yang paling penting justru di tempat konektivitas yang menentukan pentahapannya.

Ng'ambi dan van der Merwe (2026) berargumen dari ruang kelas Kelas 9 Afrika Selatan bahwa kebijakan institusional yang mengutamakan pembatasan menutup kondisi di mana AI dapat memperluas alih-alih menggantikan guru di bawah kelangkaan pedagogis, dan bahwa data interaksi yang dihasilkan pembelajar dipegang di bawah rezim tata kelola asing.

Miskonsepsi Umum

"Konteks bersumber daya rendah tidak memiliki kerangka etika AI dan membutuhkan satu yang diimpor." Guru STEAM menengah yang sudah bertugas dalam konteks bersumber daya rendah menalar etika AI melalui identitas profesional, realitas kelas, dan norma kultural alih-alih prinsip formal. Penalaran itu ada dan tersituasi; daftar prinsip universal bertransfer buruk ke atasnya.
"Jenis tata kelola memprediksi integrasi AI di universitas." Analisis konten komparatif atas 45 universitas Nigeria (federal, negara bagian, dan swasta) menemukan integrasi AI diprediksi oleh usia dan lokasi geografis institusi — bukan jenis tata kelola. Asumsi bahwa institusi publik dan swasta menyimpang terbantahkan.
"Kesenjangan digital adalah hambatan utama." Studi kasus kualitatif atas 21 mahasiswa tunanetra di tiga universitas Palestina menemukan GenAI menjembatani hambatan digital, geografis, dan sosial-ekonomi secara bersamaan. Hambatannya berlapis, dan memperlakukan akses sebagai satu-satunya rintangan membiarkan yang lain tak tersentuh.

Konsep terkait

Metadata

Tingkat	Higher Ed, K 12
Teknologi dan teknik	AI Generatif
Kesetaraan, etika, dan penggunaan yang bertanggung jawab	Pedagogi Relevan Budaya, Keadilan, Global South
Dasar-dasar AI dalam pendidikan	Literasi AI

Sumber Riwayat Sunting Obrolan