Motivasi

Di halaman ini

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

Motivasi — proses psikologis yang memulai, mengarahkan, dan mempertahankan perilaku yang berorientasi tujuan. Dalam AI dalam pendidikan, penelitian motivasi mengkaji bagaimana alat AI memengaruhi motivasi pembelajar dan guru — apakah AI merancah atau melemahkan ketekunan, rasa ingin tahu, dan keterlibatan intrinsik — dan bagaimana keadaan motivasional membentuk efektivitas pembelajaran yang dimediasi AI.

Pertanyaan yang Perlu Dipertimbangkan

Motivasi sering diperlakukan sebagai sifat yang 'dimiliki' sebagian siswa dan tidak dimiliki yang lain. Halaman ini mendeskripsikannya sebagai proses psikologis yang memulai, mengarahkan, dan mempertahankan perilaku — dan sebagai sesuatu yang berkembang serta dirancah secara sosial. Bagaimana itu membingkai ulang siapa yang bertanggung jawab atas motivasi siswa?
Alat AI dapat menghilangkan gesekan dan membuat pembelajaran lebih mudah diakses, tetapi juga dapat mengurangi usaha kognitif dan pergulatan yang menopang motivasi intrinsik. Kapan membuat sesuatu menjadi 'lebih mudah' justru membuatnya kurang memotivasi atau kurang memuaskan bagi Anda?
Teori penentuan diri menyatakan motivasi intrinsik tumbuh dari otonomi, kompetensi, dan keterhubungan. Jika tutor AI mengerjakan sebagian besar pekerjaan, mana dari ketiganya yang mungkin terancam — dan mana yang mungkin diperkuat?
Penelitian menemukan profil motivasional yang berbeda di antara siswa dalam kurikulum AI, dan bahwa mencapai profil yang menentukan-diri sendiri memprediksi keuntungan literasi AI terbesar. Apa yang mungkin dibutuhkan seorang pembelajar untuk bergerak dari tidak terlibat secara pasif menjadi benar-benar menentukan-diri sendiri dalam menggunakan AI?
Halaman ini melaporkan bahwa dukungan guru mendorong keterlibatan berbantuan AI sebagian besar melalui tujuan penguasaan-pendekatan dan kinerja-pendekatan — orientasi 'pendekatan' alih-alih 'penghindaran'. Bagaimana cara guru membingkai penggunaan AI ('untuk melakukannya dengan benar' vs. 'untuk menghindari terlihat salah') membentuk apakah siswa terlibat secara mendalam?
Jika Anda merancang untuk motivasi, apakah tujuannya membuat pembelajaran lebih mudah, lebih menarik, atau lebih bermakna secara usaha? Di mana Aksesibilitas dan motivasi intrinsik menarik ke arah yang berlawanan?

Pendahuluan

Motivasi adalah konstruk fondasional dalam penelitian pendidikan, dan kebangkitan AI dalam pendidikan membuatnya lebih berdampak: alat AI dapat menghilangkan gesekan dan membuat pembelajaran lebih mudah diakses, tetapi juga dapat mengurangi usaha kognitif dan pergulatan yang menopang motivasi intrinsik dan pembelajaran mendalam. Artikel-artikel dalam basis pengetahuan ini mengeksplorasi motivasi pada alat AI yang berhadapan dengan pembelajar, sistem AI yang berhadapan dengan guru, dan mekanisme psikologis — penentuan diri, efikasi diri, emosi — yang melaluinya AI membentuk perilaku termotivasi.

Lee & Wu menunjukkan gender dan motivasi mendorong keterlibatan diferensial dengan GenAI, dengan lintasan capaian yang berbeda.

Tema penelitian utama

Efek AI terhadap motivasi siswa adalah jalur penelitian yang paling langsung. Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming mengkaji bagaimana ketersediaan bantuan AI memengaruhi motivasi dan ketekunan siswa, terhubung ke penelitian Kelebihan-Ketergantungan tentang erosi motivasi ketika AI mengerjakan pekerjaannya. Untuk ketekunan secara khusus, paparan singkat sudah cukup: sepuluh menit dengan asisten yang menjawab atas permintaan membuat peserta melewatkan 0.20 soal tanpa bantuan dibandingkan 0.11 pada kelompok kontrol (Liu et al., 2026). Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement mengeksplorasi jurnal chatbot seluler sebagai intervensi motivasional. Designing Needs- and Attention-Aware AI Learning Tools for Engineering Education: Insights from Psychological Outcomes mengkaji apa yang memotivasi siswa mengadopsi alat belajar AI dalam pendidikan teknik.

Meta-analisis 42 studi (56 ukuran efek, 6,059 siswa) menemukan pembelajaran berbantuan GenAI menaikkan motivasi sebesar Hedges' g = 0.764 (95% CI [0.566, 0.962]) — tetapi dengan I² = 93.7% dan interval prediksi 95% sebesar [−0.689, 2.217], rata-rata itu menyembunyikan latar di mana efeknya mendekati nol atau negatif (Fang et al. (2026)).

Penggunaan tanpa refleksi menggerus motivasi — lebih kuat pada pria. Penggunaan GenAI yang tanpa pikir (menerima jawaban tanpa diperiksa) memprediksi motivasi lebih rendah (β = −0.54) dan Efikasi Diri lebih rendah (β = −0.37) di antara 487 mahasiswa, dan efek motivasinya secara signifikan lebih kuat pada mahasiswa pria sementara efek efikasi dirinya lebih kuat pada mahasiswi (Zhao & Gu, 2026).
Memangkas frustrasi tidak sama dengan mempertahankan motivasi. Sebuah RCT tiga lengan menemukan tutor berperancah dan ChatGPT tanpa batasan sama-sama memangkas frustrasi (3.21 dan 3.13 vs 4.09), tetapi hanya tutor berperancah yang menaikkan motivasi intrinsik (2.82 vs 2.42, p < .001); ChatGPT tidak (2.64, p = .076) (Bassner et al. (2026)).
Kualitas umpan balik yang setara tidak berarti efek motivasional yang setara. Sebuah RCT tiga lengan dengan 312 penulis tahun pertama menemukan umpan balik yang dihasilkan AI dan umpan balik instruktur memperbaiki esai revisi dengan margin yang sama: d = 0.60 dan 0.59, setara di dalam pita ±0.35 SD yang ditetapkan sebelumnya. Umpan balik instruktur tetap menaikkan motivasi intrinsik lebih banyak daripada umpan balik AI (5.16 vs 4.90, d = 0.31), dan keterhubungan yang dipersepsikan dengan sumbernya memediasi celah itu (indirect 0.25, 95% CI [0.12, 0.40]) dengan hampir tidak ada efek langsung yang tersisa (Liu et al. (2026)). Kinerja berjalan melalui keterlibatan dengan umpan balik alih-alih melalui efikasi diri, yang jalur tidak langsungnya tidak signifikan. Jika uji Bassner memisahkan otonomi dari penyediaan jawaban, uji ini menahan kualitas keluaran tetap konstan dan menempatkan perbedaan motivasional pada siapa yang dijawab oleh pembelajar.

Mengapa seorang pembaca meraih AI sendiri merupakan variabel yang dapat diukur: skala AIR memisahkan empat motif membaca berbantuan GenAI — Berorientasi tugas, Merasa-baik, Terjemahan dan Usaha-rendah — dan hanya Usaha-rendah, yaitu menggunakan AI saat lelah atau tidak terlibat, yang berhubungan negatif dengan kebutuhan akan kognisi (r = −.18) (Brann, Etgar dan Sidi (2026)).

Motivasi dalam keterlibatan yang dimediasi AI mengkaji bagaimana kualitas motivasi (bukan hanya kuantitasnya) berubah dengan AI. Isaeva et al. menggabungkan teori penentuan diri dengan analisis jaringan epistemik untuk mempelajari keterlibatan dengan AI generatif. Liang et al. (2026) melacak motivasi secara perkembangan melalui analisis transisi laten pada 2,086 siswa menengah dalam kurikulum AI selama satu tahun, menemukan tiga profil stabil (Tidak Terlibat, Berkembang, Menentukan-Diri) dan bahwa mencapai profil Menentukan-Diri memprediksi keuntungan Literasi AI terbesar. Wang & Wang (2026) menggunakan teori penetapan tujuan dengan 758 mahasiswa pembelajar bahasa Inggris, menunjukkan bahwa dukungan guru mendorong keterlibatan berbantuan AI terutama melalui tujuan penguasaan-pendekatan dan kinerja-pendekatan (orientasi tujuan pendekatan, bukan penghindaran). Bersama-sama studi ini menunjukkan bahwa motivasi dalam konteks AI bersifat perkembangan sekaligus dirancah secara sosial — ia bergeser seiring waktu dan merespons dukungan guru serta pembingkaian tujuan, bukan hanya desain alat.

Orientasi tujuan juga mengarahkan bagaimana alat itu digunakan: tujuan penguasaan dan kinerja normatif cenderung mendukung elaborasi dan penyempurnaan, sedangkan tujuan kinerja penampilan membuat minimalisasi usaha dan perlindungan kompetensi yang dipersepsikan lebih mungkin terjadi — sehingga asisten yang sama merancah atau menggantikan berpikir tergantung pada iklim motivasionalnya (Øby, 2026). Motivasi imbalan dapat menumpulkan jangkauan umpan balik AI: bagi Pérez-López et al. (2026), tautan kredibilitas–pembelajaran yang dipersepsikan melemah seiring naiknya sensitivitas imbalan berbasis nilai — simple slopes b = 0.733, 0.607 dan 0.483 pada sensitivitas rendah, rata-rata dan tinggi.

Kebijakan AI generatif institusional itu sendiri adalah stresor yang dinilai Pembelajar: Chen (2026) menemukan bahwa celah antara advokasi GAI universitas dan praktik kelas mereka menaikkan penilaian tantangan maupun hambatan di antara mahasiswa seni dan desain Tiongkok, dengan efek tidak langsung yang berlawanan pada keterlibatan proses kreatif, sementara cara berpikir jalur memperkuat hanya rute tantangan.

Format dialog dapat menaikkan motivasi tanpa memperbaiki evaluasi keseluruhan: pada 222 siswa sekolah menengah tahun pertama, dialog guru–guru menaikkan motivasi ARCS lebih banyak daripada format guru–siswa bagi pembelajar dengan pengalaman konkret tinggi (b = 0.162, p < .001) namun mendapat skor jauh lebih rendah pada evaluasi keseluruhan (b = -0.126, p = .005) (Watanabe et al. (2026)).

Motivasi membentuk bagaimana siswa membingkai alat itu, dan pembingkaian itu membawa hasil metakognitif: Cui et al. (2026) menemukan peran kolaborator — 7.5% dari log — adalah satu-satunya yang menghasilkan rantai metakognitif lengkap, sementara siswa yang termotivasi secara ekstrinsik menggunakan GenAI sebagai alat pengganti pada 64.6% log dan tidak menghasilkan koneksi tingkat tinggi.

Keuntungan motivasi bersifat spesifik-konstruk, bukan umum. Lu et al. (2026) menemukan bahwa program menulis berbantuan GenAI selama sembilan minggu bagi 301 pembelajar kelas 5 dan 6 menaikkan diri ideal mereka sebagai penulis L2 dan ketangguhan akademik — komponen aspirasional dan ketahanan dari motivasi — sementara pola pikir berkembang tidak berubah; satu-satunya keuntungan pola pikir berkembang muncul di kelompok kontrol dan tidak bertahan setelah koreksi untuk perbandingan berganda. Siswa mengaitkan pergeseran itu dengan melihat teks yang lancar dibangun dari kosakata yang sudah mereka ketahui, yang membuat menulis dengan berhasil terasa dapat dicapai. Jadi motivasi bukan satu tombol yang dinaikkan AI: yang membaik adalah keyakinan bahwa seseorang dapat menulis dengan baik, bukan keyakinan bahwa kemampuan tumbuh dengan usaha. Kekhususan konstruk yang sama muncul ketika GenAI sendiri adalah intervensi relevansinya. Guo, Fryer dan Shum (2026) meminta 218 siswa sekolah menengah menghabiskan satu jam dalam dialog semi-terstruktur dengan chatbot yang diarahkan pada relevansi personal terhadap matematika; versi kolektif tingkat kelas menaikkan relevansi sebagai identifikasi (F = 4.35, p = .014, η² = 0.04; terhadap kontrol, F = 11.11, p = .001, η² = 0.073 — efek sedang) dan, dalam SEM, memprediksi relevansi terhadap pelajaran tertentu satu minggu kemudian (β = 0.18, p < .01), sementara minat pada kelas matematika tidak bergerak (F = 0.29, p = .75, η² = 0.003). Para penulis mengaitkan pemisahan itu pada dosis: satu sesi satu jam terlalu singkat bagi keuntungan relevansi untuk mengkristal menjadi minat pada kelasnya.

Intervensi nilai-guna tidak selalu bermanfaat: versi berperancah tidak menghasilkan keuntungan keseluruhan pada integrasi pengetahuan calon guru dan justru merugikan pembelajar yang masuk dengan nilai-guna terpersepsi tinggi, sebuah interaksi aptitud-perlakuan yang menuntut dukungan motivasional dicocokkan dengan titik awal pembelajar (Boos, Eder & Lachner (2026)). Pesan umpan balik menggerakkan minat melalui kegunaan yang dipersepsikan, bukan melalui disposisi pembelajar. Jansen et al. (2026) memberikan 1,507 siswa menengah satu pesan umpan balik otomatis terstandardisasi setelah draf pertama teks argumentatif: reseptivitas global adalah satu-satunya dimensi reseptivitas yang berhubungan dengan perubahan minat situasional (sekitar 0.11 poin pada skala yang diamati, kira-kira persentil ke-54 berbanding ke-46), dan efek itu sepenuhnya dimediasi oleh kegunaan yang dipersepsikan (indirect β = 0.09, 95% CI [0.06, 0.13]) tanpa jalur langsung yang signifikan tersisa (β = 0.06, 95% CI [−0.07, 0.16]), sehingga yang menggeser minat adalah nilai yang dirasakan dari pesan itu alih-alih sikap umum pembelajar terhadap umpan balik.

Motivasi dan ketekunan guru mengkaji motivasi di antara pendidik. Framing the 5 Percent Problem mempelajari ketekunan guru dengan alat AI, dan Chiu et al. menemukan pengembangan profesional yang mendukung kebutuhan menumbuhkan keterlibatan perilaku yang berkelanjutan dalam komunitas pembelajaran profesional.

Motivasi lintas budaya calon guru: Martínez-Moreno et al. (2026) memvalidasi skala (D)FIT-Choice dengan 416 calon guru di Swiss dan Tiongkok, menemukan guru Swiss melaporkan kegunaan sosial dan motivasi intrinsik yang lebih kuat sementara guru Tiongkok menunjukkan kompetensi digital terpersepsi dan antusiasme yang lebih tinggi untuk mengintegrasikan AI — menyoroti bagaimana faktor kultural dan sistemik membentuk motivasi untuk membentuk masa depan pendidikan dengan AI.
Efikasi diri adalah akar kegemaran guru terhadap GenAI. Dalam studi PLS-SEM atas 434 guru dalam jabatan, efikasi diri adalah satu-satunya variabel eksogen model itu dan efek terbesarnya ada pada kegemaran yang dipersepsikan (β = 0.805, f² = 1.839), yang selanjutnya mengalir ke kegunaan terpersepsi dan kemudahan penggunaan (Guillén-Gámez et al., 2026).

Paradoks usaha dan lingkaran setan bantuan. Zohar, Bloom dan Inzlicht (2026) berargumen bahwa motivasi tidak sekadar dibantu atau dihambat AI melainkan didistribusikan ulang: manusia umumnya mengambil jalur dengan hambatan terkecil, namun mereka juga mencari usaha — paradoks usaha — karena usaha menandakan bahwa tindakan itu penting dan karena imbalan yang melekat pada proses alih-alih produk meningkatkan kecenderungan untuk berusaha dan bertahan. Dua klaim menyusul. Pertama, hubungan usaha–makna berbentuk U terbalik, sehingga sasaran motivasionalnya adalah gesekan sedang, dan risiko AI tanpa gesekan adalah melampaui batas ke terlalu sedikit. Kedua, lingkaran setan: ketika AI menggantikan usaha di suatu domain, manfaat motivasional usaha di sana terkikis, yang membuat pengguna lebih bergantung pada AI, yang menggerus motivasi lebih jauh. Mereka juga memisahkan suplemen dari pengganti menurut tahap perkembangan — pembelajar pada tahap lebih awal berisiko melewati pengalaman yang membangun ketekunan, sementara mereka yang keterampilannya sudah mapan dapat menggunakan AI untuk menghemat waktu (Kesulitan yang Diinginkan, Efikasi Diri).

Literatur mengukur motivasi tanpa teori tentangnya. Tinjauan scoping atas 156 studi dari 2003 hingga 2025 menemukan 133 (85.3%) tidak dipandu teori motivasional tertentu, variabel yang paling umum adalah motivasi akademik yang digeneralisasi (n = 89), dan 88 studi (56.4%) berasal dari satu konteks nasional (Li et al., 2026).

Motivasi juga beroperasi di hulu persepsi teknologi, bukan hanya di sampingnya. Dalam sampel fisika 340 siswa, nilai guna memprediksi kegunaan terpersepsi (β = 0.43) dan nilai intrinsik memprediksi sikap (β = 0.20), sementara biaya terpersepsi menurunkan kemudahan penggunaan (β = −0.16) dan sikap (β = −0.27) tanpa jalur langsung ke niat (Xue, Xu, Qi & Lu (2026)).

Regulasi motivasional adalah konstruk tertipis dalam literatur ini. Di sepanjang 39 studi, Pan, Abuhassna dan Jiang (2026) menemukan motivasi otonom diukur dalam 2 studi, dengan regulasi teridentifikasi dan motivasi terkendali masing-masing dalam 1 studi, dibandingkan 17 studi yang mengukur kebutuhan psikologis dasar dan 10 yang mengukur keterlibatan. Para penulis menyebut celah itu masalah utama tinjauan tersebut, karena regulasi menanyakan mengapa seorang siswa termotivasi sementara pemenuhan kebutuhan hanya menanyakan apakah lingkungannya mendukung mereka.

Koneksi ke konsep terkait

Motivasi adalah konstruk induk dari Teori Determinasi Diri, yang menetapkan kebutuhan psikologis (otonomi, kompetensi, keterhubungan) yang menopang motivasi intrinsik. Ia terhubung ke Pengalaman Siswa sebagai lapisan pengalaman dari keterlibatan termotivasi, ke Keterlibatan Siswa sebagai dimensinya yang terukur, dan ke Komputasi Afektif untuk mekanisme emosional yang membentuk motivasi. Motivasi juga terhubung ke Kelebihan-Ketergantungan (AI mengurangi pergulatan produktif), Regulasi Diri dalam Belajar (pembelajar termotivasi meregulasi diri), dan Pengajaran (motivasi berlaku bagi pendidik maupun siswa).

Miskonsepsi Umum

"Efek motivasi GenAI adalah keuntungan yang bersih dan besar." Meta-analisis 42 studi (56 ukuran efek, 6,059 siswa) menemukan efek motivasi g = 0.764 (95% CI [0.566, 0.962]) tetapi dengan I² = 93.7%. Heterogenitas setinggi itu berarti angka gabungan menggambarkan sekumpulan studi yang saling tidak sepakat, jadi itu rata-rata atas perlakuan yang tidak konsisten alih-alih efek yang reprodusibel.
"Mengurangi frustrasi sama dengan mempertahankan motivasi." Sebuah RCT tiga lengan menemukan tutor berperancah dan ChatGPT tanpa batasan sama-sama memangkas frustrasi (3.21 dan 3.13). Dua desain yang sangat berbeda menghasilkan hasil afektif yang sama, jadi data frustrasi tidak dapat membedakan keduanya.
"Desain yang memotivasi adalah desain yang baik." Pada 222 siswa sekolah menengah tahun pertama, format dialog guru-ke-guru menaikkan motivasi ARCS lebih banyak daripada alternatifnya sementara tidak memperbaiki evaluasi keseluruhan. Motivasi bergerak dan mutu yang dinilai tidak.

Konsep terkait

Pembelajar — Pembelajar: payung untuk konsep-konsep sisi pembelajar
Pembelajaran Mandiri
Teori Determinasi Diri
Pengalaman Siswa
Keterlibatan Siswa
Komputasi Afektif
Tutoring Afektif
Offloading Kognitif
Regulasi Diri dalam Belajar
Pengajaran
AI dalam Pendidikan
Membingkai Penggunaan AI bagi Siswa
Pembelajaran Sosial-Emosional — Pembelajaran Sosial-Emosional

FAQ terkait

Metadata

Audiensi sasaran	Learners
Pembelajaran dan pengajaran	Motivasi, Teori Determinasi Diri, Keterlibatan Siswa
Teknologi dan teknik	Komputasi Afektif
Dasar-dasar AI dalam pendidikan	AI dalam Pendidikan

Sumber Riwayat Sunting Obrolan