Penilaian Sejawat

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

Penilaian sejawat — praktik di mana siswa mengevaluasi, memberi nilai, atau memberi Umpan Balik atas karya satu sama lain, melalui tinjauan sejawat tertulis, pemberian nilai sejawat, tinjauan kode sejawat, atau penilaian kelompok dan tim. Dalam pendidikan menulis praktik pedagogi ini merupakan amalan baik yang sudah lama ada: siswa belajar baik dari menerima umpan balik berbasis kriteria maupun dari memberikannya, dan percakapan sejawat tentang karya bersama berkorelasi dengan pembelajaran yang lebih mendalam, kesadaran audiens, dan perkembangan sosial. Di era AI, praktik ini sedang ditinjau ulang sebagai pilihan desain penilaian alih-alih satu aktivitas tunggal — pelengkap manusia bagi umpan balik yang dihasilkan AI, lahan latihan bagi Literasi Umpan Balik, dan lokasi di mana Integritas Akademik serta agensi siswa dinegosiasikan ulang.

Pertanyaan untuk direnungkan

• Ingat kembali saat karya Anda dinilai oleh sejawat—atau Anda menilai karya mereka. Dari mana Anda belajar lebih banyak: memberi umpan balik atau menerimanya, dan mengapa?
• Mengapa umpan balik seorang siswa bisa lebih sadar konteks dan lebih mendukung secara emosional daripada umpan balik AI, meskipun umpan balik AI lebih konsisten dan digerakkan rubrik? Bagaimana keduanya dapat saling melengkapi?
• Sejawat cenderung menilai terlalu rendah karya yang kuat dan AI cenderung menggelembungkan karya yang lemah. Jika keduanya tidak andal akurat di seluruh rentang kualitas, untuk apa nilai dari salah satu sumber itu sebaiknya digunakan?
• Penilaian sejawat sangat bergantung pada perancah dan kriteria yang jelas, dan bias pertemanan serta kecemasan sosial dapat membuat tinjauan sejawat yang tidak terlatih lebih buruk daripada tidak ada sama sekali. Seperti apa pelatihan yang memadai dalam konteks Anda?
• Jika AI dapat menyusun draf komentar tentang organisasi dan struktur, apakah itu membuat penilaian sejawat redundan—atau justru membebaskan sejawat untuk memberi umpan balik spesifik dan sadar audiens yang hanya dapat mereka berikan?
• Umpan balik sejawat yang didukung GenAI mengungguli umpan balik sejawat biasa dalam satu studi, tetapi hanya ketika perancah prompt ditambahkan. Apa yang dirancah di sana—AI-nya, siswanya, atau penilaiannya?
• Menilai secara kritis umpan balik yang dihasilkan AI digambarkan sebagai pembangunan literasi AI dan agensi sebagai penulis. Apa artinya memiliki agensi atas karya sendiri ketika mesin semakin banyak mengomentarinya?

Pendahuluan

Penilaian sejawat adalah pilihan desain penilaian di mana siswa mengambil sebagian pekerjaan evaluatif yang biasanya disediakan untuk instruktur. Bentuknya berbeda dalam hal apa yang dihasilkan siswa dan apa yang dipertaruhkan: umpan balik sejawat (komentar atas draf, biasanya formatif dan berisiko rendah), pemberian nilai sejawat (nilai yang berkontribusi pada rapor), tinjauan kode sejawat, dan penilaian kelompok atau tim (di mana sejawat menilai produk kolektif atau kontribusi satu sama lain). Bentuknya menentukan apa yang dilatih siswa — memberi komentar berbasis kriteria membangun pertimbangan evaluatif secara berbeda dari memberikan angka, dan mempertahankan kode sendiri secara lisan membangun sesuatu yang lain lagi. Penilaian Diri, praktik saudaranya, mengarahkan pemeriksaan berbasis kriteria yang sama itu pada karya siswa sendiri, sedangkan penilaian sejawat mengarahkannya pada kiriman sejawat dan kesadaran audiens yang menyertainya.

Basis riset sepakat bahwa penilaian sejawat menghasilkan pembelajaran dan tidak sepakat tentang seberapa besar hal itu bergantung pada desain. Praktik ini memberi siswa audiens yang autentik, mengembangkan pertimbangan evaluatif melalui tanggapan berbasis kriteria, dan membangun konteks sosial yang mendukung keterlibatan dan Motivasi. Kualitasnya sangat bergantung pada perancah — seberapa baik terstruktur, dan apakah siswa mendapat kriteria serta pelatihan yang jelas. Ketergantungan itulah pintu masuk AI, sebagai pelengkap yang konsisten dan digerakkan rubrik bagi umpan balik spesifik dan sadar konteks dari sejawat, dan semakin sering sebagai perancah yang dibangun ke dalam proses penilaian sejawat itu sendiri.

Wang dan Guo (2026) menemukan bahwa siswa EFL yang meninjau tulisan sejawat melalui dialog terbuka dengan AI generatif menghasilkan umpan balik yang dinilai penerima lebih berkualitas, dengan keuntungan pada respons emosional dan literasi umpan balik yang bervariasi menurut kualitas dialog tersebut.

Apa yang dipelajari siswa dari menilai teman sebaya

Argumen terkuat untuk penilaian sejawat adalah bahwa penilai belajar. Fowles et al. (2026) menjadikan setiap kiriman CS1 tunduk pada wawancara tinjauan kode lisan 15 menit dengan asisten pengajar terlatih, dengan bobot 70% dari nilai tugas. Proporsi karakter hasil tempel terhadap total naik dari 61.0% menjadi 68.1% (p < 0.0001), namun skor ujian tidak menurun dan waktu pengerjaan tetap stabil; 90% siswa mengatakan tinjauan itu memotivasi mereka untuk lebih memahami kode mereka dan 65% mengatakan tinjauan itu membantu menghindari ketergantungan berlebih pada AI. Mewajibkan siswa menjelaskan karya mereka kepada sejawat terlatih mengubah potensi pengalihan beban kognitif menjadi kesempatan latihan yang mandiri.

Mekanismenya berulang di sepanjang literatur. Dalam tinjauan sistematis PRISMA 2020 atas 22 artikel dari 203 yang disaring, Martínez-Peláez et al. (2025) menemukan bahwa LLM mendukung kolaborasi sebagian dengan membantu umpan balik sejawat dan menyimulasikan evaluasi berbasis rubrik, dan bahwa siswa yang memverifikasi serta mengoreksi output model mengembangkan berpikir kritis. Belajar dengan Mengajar muncul bahkan di antara mesin: wacana yang mirip pembelajaran sejawat di antara lebih dari 2.4 juta agen AI sebagian besar berupa asersi alih-alih penyelidikan (rasio pernyataan terhadap pertanyaan 11.4:1, refleksi metakognitif hanya 7% dari taksonomi terkode di 28,683 kiriman), yang oleh Chen et al. (2026) dianggap sebagai peringatan bahwa wacana permukaan tidak membuktikan ada sesuatu yang dipelajari.

Pelatihan, kalibrasi, dan literasi umpan balik

Penilaian sejawat gagal secara terduga ketika siswa tidak terlatih. Gu, Chen, dan Yan (2026) menjalankan kuasi-eksperimen metode campuran dengan 118 mahasiswa sarjana tahun pertama di Tiongkok, membandingkan ChatGPT-4o di bawah rubrik terlatih dengan lembar kerja tinjauan sejawat terstruktur yang disertai contoh berkualitas tinggi. Literasi umpan balik naik sedikit lebih banyak di kelompok GenAI (ANCOVA p = 0.049, η²p = 0.03), tetapi temuan kualitatif lebih penting: siswa kelompok sejawat memilih sumber umpan balik berdasarkan kenyamanan sosial — sejawat terdekat, sejawat satu jurusan, teman sekamar — jarang memiliki tujuan umpan balik yang spesifik, dan menghadapi kecemasan sosial dalam mencari umpan balik. Evaluasi sejawat lebih sering terdistorsi oleh bias pertemanan dan persepsi kemahiran sejawat, dan refleksi sejawat sering tertunda sampai ujian berikutnya. Para penulis merekomendasikan desain bertahap dengan umpan balik sejawat anonim, karena tinjauan sejawat tetap secara unik membangun kesadaran audiens dan pertimbangan evaluatif melalui pemberian umpan balik.

Kerangka desain menyasar hambatan-hambatan itu. Irwin dan Muller (2026) mengusulkan dua peran GenAI dalam umpan balik sejawat EFL/ESL pada keterampilan berbicara, kasus yang mereka nilai lebih sulit daripada menulis karena tekanan waktu, performa lisan yang cepat berlalu, dan afek yang lebih tinggi: Trainer yang mendukung pemberi umpan balik melalui kalibrasi berbasis contoh dan umpan balik atas umpan balik, serta Synthesizer yang mengagregasi komentar sejawat menjadi laporan serapan yang terkait kriteria, menormalkan format, mempertahankan pandangan minoritas, dan menandai kontradiksi. Prinsip mereka adalah waktu dan urutan yang cermat, unit Trainer singkat yang berulang, mempertahankan suara pemberi umpan balik, dan Pagar Pengaman yang menjaga guru tetap dalam siklus tanpa penilaian otomatis. Makalah ini konseptual, tanpa data empiris baru.

Validitas, keadilan, dan akurasi penilaian: sejawat vs AI vs instruktur

Ketika penilaian sejawat menghasilkan nilai, pertanyaannya adalah apakah nilai itu dapat dipertahankan. Usher dan Faraon (2026) menemukan bahwa keselarasan sejawat–instruktur paling kuat untuk karya berkualitas lebih rendah (r = 0.51 pada lapis kualitas rendah) dan melemah untuk proyek berkualitas tinggi, yang cenderung dinilai terlalu rendah oleh sejawat — secara masuk akal mencerminkan keengganan mengkritik karya yang kuat. ChatGPT menunjukkan pola sebaliknya: keselarasan lebih baik pada karya berkualitas tinggi, tetapi nilai yang menggelembung untuk kiriman lemah. Siswa memandang nilai sejawat lebih konsisten dengan umpan balik tertulis sejawat itu sendiri, dan menghargai pertimbangan sejawat yang sadar relasi di samping konsistensi netral ChatGPT. Akurasi sejawat bergantung pada kualitas dan sensitif terhadap relasi, dan tidak ada satu sumber pun yang andal di seluruh rentang.

Itu membatasi untuk apa nilai sejawat sebaiknya digunakan. Nilai yang terkalibrasi di tengah distribusi belum tentu terkalibrasi di puncak atau dasar, sehingga nilai sejawat lebih dapat dipertahankan sebagai masukan bagi keputusan yang dimoderasi atau sebagai bukti pertimbangan penilai daripada sebagai nilai akhir atas karya yang kuat. Suen dan Hung (2026) menggarisbawahi mengapa institusi terus mencari alternatif yang dapat diskalakan: umpan balik sejawat dan pembinaan ahli memakan waktu, mahal, dan sulit diskalakan secara konsisten. Sistem loop tertutup mereka menilai 204 siswa dewasa dalam keterampilan presentasi dengan tulang punggung XGBoost yang mendekati keandalan penilai ahli (ρ = 0.69–0.78) dan keuntungan pra–pasca Cohen's d = 0.39–0.90 — satu studi lapangan pra–pasca, bukan perbandingan terhadap penilaian sejawat, yang menggantikan pertimbangan manusia alih-alih melengkapinya.

Penilaian sejawat yang diperkuat AI: PAIRR dan pembagian Trainer/Synthesizer

Pola desain yang dominan menjaga sejawat sebagai pusat dan menambahkan AI di sekitarnya. Model Peer and AI Review + Reflection adalah contoh yang paling terdokumentasi. Sperber et al. (2025) menerapkan PAIRR di 10 mata kuliah menulis dan tiga mata kuliah STEM padat menulis, dengan 654 siswa (37% generasi pertama, 13% internasional, 68% multibahasa). Siswa menyusun draf, bertukar tinjauan sejawat, meminta umpan balik berbasis rubrik dari ChatGPT atas draf yang sama, menilai keduanya secara kritis, merencanakan revisi, dan melakukan refleksi. 58% lebih memilih umpan balik gabungan, 36% umpan balik sejawat saja, dan hanya 6% umpan balik AI saja. Kedua sumber itu sering serupa (75% melaporkan kesamaan, yang digambarkan saling meneguhkan dan memperkuat) dan, ketika berbeda, saling melengkapi: umpan balik AI sering disebut terlalu umum (31%) tetapi memberi strategi revisi yang dapat ditindaklanjuti tentang organisasi dan struktur, sedangkan umpan balik sejawat lebih spesifik dan rinci (28%) serta bersandar pada pengetahuan kontekstual tentang tugas. Mengevaluasi output AI secara kritis membangun Literasi AI, dan hanya 5.3% siswa menunjukkan kepercayaan diri berlebih terhadapnya.

Pola itu menggeneralisasi ke penulisan profesional. MacArthur et al. (2025) menerapkan PAIRR pada mata kuliah penulisan bisnis tingkat atas di mana lima tugas besar masing-masing menuntut draf, analisis audiens, tinjauan sejawat oleh 2–3 sejawat, dan revisi (34 dari 46 siswa terdaftar berpartisipasi; 69% multibahasa). Siswa menghargai umpan balik AI tetapi kadang merasa terlalu umum, dan menghargai pengetahuan kontekstual sejawat — "sejawat saya melihatnya dari perspektif pemberi kerja… ChatGPT tidak begitu melakukannya." Seperempat refleksi terkode dalam studi PAIRR yang lebih besar menyatakan skeptisisme terhadap umpan balik AI atau mencatat ketidakakuratan, yang dibaca para penulis sebagai perkembangan literasi AI. Studi ini deskriptif dan khas mata kuliah.

GenAI sebagai perancah di dalam umpan balik sejawat dan penilaian kelompok

Uji paling ketat tentang seberapa besar desain menentukan adalah eksperimen acak klaster multisitus. Ateş (2026) mengacak 48 kelas di 4 universitas — 1,176 mahasiswa sarjana tahun pertama dalam biologi, kimia, dan fisika — ke empat kondisi untuk argumentasi ilmiah: umpan balik sejawat saja, umpan balik GenAI langsung, umpan balik GenAI reflektif (evaluasi diri lalu kritik AI), dan hibrida evaluasi diri → umpan balik sejawat → kritik GenAI. GenAI langsung mengalahkan umpan balik sejawat pada kualitas argumentasi segera tetapi menunjukkan transfer yang lebih lemah; desain reflektif dan hibrida menghasilkan serapan umpan balik dan pembelajaran mandiri yang lebih kuat; hibrida menunjukkan keunggulan paling jelas pada pembelajaran konseptual; keduanya mengungguli GenAI langsung pada transfer tertunda tanpa AI. Nilai GenAI, simpul para penulis, kurang bergantung pada akses daripada pada apakah lingkungannya mempertahankan agensi dan kepemilikan siswa selama revisi.

Mengurutkan umpan balik AI sebelum diskusi sejawat, bukan sesudahnya, juga meningkatkan hasil: dibandingkan umpan balik sejawat saja, 122 siswa EFL Tiongkok yang diberi umpan balik terintegrasi AI-plus-sejawat melaporkan keterlibatan afektif, perilaku, dan kognitif yang lebih tinggi (η² parsial = 0.29, 0.28, 0.32) dan mengungguli pada keempat dimensi menulis IELTS, terbesar pada pencapaian tugas (d = 1.41) (Liu (2026)).

Pola itu — keunggulan awal yang tidak bertahan — berulang ketika pembandingnya adalah umpan balik guru terhadap umpan balik sejawat berbantuan AI, bukan GenAI semata. Tang, Li, dan Luo (2026) menjalankan kuasi-eksperimen delapan minggu dengan 61 penulis L2 Tiongkok (244 teks dinilai) yang bekerja dari satu daftar periksa lima dimensi, dengan satu kelas menerima umpan balik tertulis guru dan kelas lain umpan balik sejawat berbantuan AI. Umpan balik guru menghasilkan jauh lebih banyak komentar — 316 butir berbanding 185 pada tugas pertama, terkonsentrasi pada kosakata dan detail teknis — dan keuntungan segera yang sedikit lebih besar, tetapi peningkatannya turun tajam pada tugas kedua sementara kelas sejawat berbantuan AI tetap stabil dan berakhir dengan skor revisi lebih tinggi. Komentar sejawat berbantuan AI lebih sedikit tetapi tetap berjangkar pada isi dan struktur, dan keunggulan keragaman leksikal awalnya tidak bertahan; tidak ada mode yang menggeser kompleksitas sintaksis. Para penulis membaca keduanya sebagai perancah yang saling melengkapi dan mengusulkan hibrida AI–Sejawat–Guru, di mana AI menandai kesalahan permukaan selama penyusunan draf, sejawat menegosiasikan isi dalam revisi, dan guru menyasar apa yang tidak terjangkau keduanya.

Menambahkan GenAI juga dapat meningkatkan kualitas umpan balik sejawat itu sendiri, tetapi tampaknya hanya dengan dukungan prompt. Chang et al. (2026) membandingkan tiga kondisi di antara 45 guru siswa dalam 12 kelompok selama empat putaran argumentasi kolaboratif: umpan balik sejawat biasa, umpan balik sejawat dengan GenAI, dan umpan balik sejawat dengan GenAI di bawah perancah prompt. Kelompok yang didukung GenAI mengungguli umpan balik sejawat biasa pada kinerja argumentasi, dan kelompok dengan perancah prompt tampil terbaik pada elemen lanjutan seperti "data dan jaminan bantahan" serta "menanggapi pandangan yang berlawanan". Kelompok yang didukung GenAI menghasilkan lebih banyak penjelasan, saran, dan umpan balik netral atau negatif, dan kelompok dengan perancah memasangkan emosi negatif dengan konten umpan balik tingkat tinggi — evaluasi kritis alih-alih penerimaan pasif. Ini eksperimen tunggal yang kecil, tetapi mengisolasi perancah prompt sebagai bahan aktifnya.

Penilaian kelompok mengubah masalahnya, karena siswa harus menegosiasikan penggunaan AI siapa yang dapat diterima. Chen dan Zou (2026) mewawancarai 15 kelompok fokus dari 52 guru prajabatan dalam mata kuliah di mana presentasi kelompok bernilai 30% dari nilai akhir menuntut integrasi dan koherensi. Tiga pola muncul: agensi berorientasi kerja sama pada lima kelompok, yang mengintensifkan penggunaan GenAI untuk menjaga kesatuan karya dan melindungi nilai bersama; agensi normatif pada tujuh kelompok, yang menahan penggunaan untuk melindungi keaslian dan keadilan — seorang siswa bernalar bahwa menghasilkan sebagian dalam AI akan "tidak adil bagi rekan kelompok lain"; dan agensi yang tidak terwujud pada tiga kelompok yang praktiknya tidak berubah dari kerja individual. Para penulis berargumen bahwa kemampuan individual tidak dengan sendirinya menjadi agensi kolektif dan bahwa negosiasi penggunaan AI yang dapat diterima seharusnya sendiri menjadi hasil yang dapat dinilai, dengan tugas tinjauan sejawat yang menyokong produk akhir.

Arsitektur umpan balik, pengungkapan, dan kondisi sosial penilaian sejawat

Penilaian sejawat juga bergantung pada apa yang dapat dilihat siswa dari satu sama lain dan apa yang bersedia mereka akui. Hao dan Cukurova (2026) menguji desain pembelajaran berupa ringkasan yang dihasilkan AI dalam tiga iterasi dengan 128 siswa selama delapan minggu. Siswa pada iterasi yang didukung AI menunjukkan sentralitas out-degree terstandardisasi yang jauh lebih tinggi daripada garis dasar (β = 0.547 dan β = 0.438, keduanya p < 0.001): mereka melihat atau berinteraksi dengan lebih banyak sejawat. Wawancara menggambarkan ringkasan itu sebagai peta navigasi yang mengurangi usaha menemukan kontribusi yang terkubur dalam utas berjudul buruk, dan siswa memperhatikan kontributor aktif yang dipilih karena pandangan yang kontras, bukan karena pertemanan. Desain itu tidak mencegah menurunnya aktivitas melihat di bawah beban kerja yang naik, sehingga kemampuan teknologi semata tidak mempertahankan keterlibatan.

Norma sejawat juga membentuk kejujuran, yang penting di mana pun sejawat menilai karya yang dipengaruhi AI. Qu dan Wang (2026) mensurvei 409 mahasiswa sarjana Singapura tentang mengapa siswa menyembunyikan penggunaan GenAI meskipun ada kewajiban mengungkapkan, dan menemukan variabel relasional mendominasi: persepsi pengungkapan sejawat dan kenyamanan dengan instruktur adalah prediktor terkuat pengungkapan, sementara pelepasan moral lebih lemah. Tidak mengungkapkan adalah adaptasi strategis terhadap norma sejawat yang dipersepsikan dan kepercayaan interpretatif yang rendah, bukan kelalaian moral. Norma sejawat karena itu dapat mendukung kejujuran, seperti ketika siswa dalam penilaian kelompok menahan penggunaan AI karena kewajiban terhadap rekan kelompok, atau menekannya, seperti ketika adopsi kolektif menurunkan risiko penyalahgunaan yang dipersepsikan. Transparansi, simpul para penulis, kurang bergantung pada kepatuhan daripada pada kepercayaan dan iklim normatif yang positif — kondisi relasional yang diciptakan atau dihancurkan oleh desain penilaian sejawat.

Implikasi desain dan pertanyaan terbuka

Beberapa langkah desain mengikutinya. Beri penilai pelatihan, contoh, dan kriteria sebelum mereka menilai, karena penilaian sejawat yang tidak terlatih rentan terhadap bias pertemanan, pemilihan sumber berbasis kenyamanan, dan kecemasan sosial. Urutkan pekerjaan sehingga evaluasi diri mendahului umpan balik sejawat dan kritik AI, karena kondisi hibrida menghasilkan pembelajaran konseptual terkuat dan transfer tertunda terbaik. Di mana GenAI masuk, rancah cara siswa memberinya prompt. Jaga guru tetap dalam siklus untuk apa pun yang menjadi nilai, perlakukan nilai sejawat sebagai bukti yang bergantung kualitas alih-alih nilai seragam, dan jadikan penggunaan AI itu sendiri sebagai sesuatu yang dinegosiasikan dan didokumentasikan kelompok.

Tinjauan yang dimediasi GenAI juga mewarisi norma linguistik alatnya: para kontributor dalam dialog World Englishes berargumen bahwa peninjau yang menggunakan GenAI terpapar bias yang sama terhadap varietas bahasa Inggris dominan seperti modelnya, dan merekomendasikan penyuntingan atau penulisan ulang teks yang dihasilkan agar mencerminkan identitas linguistik penulisnya sendiri (Ugwuanyi et al. (2026)).

Pertanyaan terbukanya adalah tentang kekuatan bukti, bukan hanya tentang desain. Banyak bukti sejawat-dan-AI berskala kecil dan terikat konteks: 45 guru siswa dalam satu mata kuliah, 34 siswa dalam satu mata kuliah penulisan bisnis, 52 guru prajabatan dalam 15 kelompok fokus. Survei PAIRR adalah kumpulan data terbesar di sini dan mengukur persepsi siswa, bukan kualitas output AI yang dinilai siswa. Hanya 1,176 mahasiswa sarjana dalam eksperimen multisitus yang mendekati skala kausal-komparatif, dan itu menguji desain umpan balik untuk argumentasi ilmiah, bukan penilaian sejawat sebagai demikian. Sementara itu O'Neill (2026) mengaudit 14 meta-analisis telaah sejawat yang mengklaim AI meningkatkan pendidikan dan menemukan tidak satu pun memberikan dasar valid bagi klaimnya — semua kecuali dua mendefinisikan perlakuan sebagai alat alih-alih intervensi pedagogis, heterogenitasnya tinggi di setiap meta-analisis yang melaporkan I² (77.2% hingga 94.4%), dan audit atas 59 studi primer menemukan 61% memiliki kekhawatiran validitas, paling sering ketidaksesuaian antara hasil yang diukur dan klaim yang dibuat. Klaim tentang apa yang dilakukan AI dalam penilaian sejawat harus diperlakukan sebagai klaim tentang aktivitas yang dirancang, diuji dengan istilah-istilah aktivitas itu sendiri.

Miskonsepsi umum

• "Pertahanan lisan menghentikan karya berbantuan AI." Proporsi karakter hasil tempel terhadap total naik dari 61.0% menjadi 68.1% (p < 0.0001) setelah setiap kiriman CS1 tunduk pada tinjauan kode lisan 15 menit senilai 70% dari nilai. Perilaku yang disasar justru meningkat — dan skor ujian tidak menurun serta waktu pengerjaan tetap stabil, sementara 90% siswa mengatakan tinjauan itu memotivasi mereka. Intervensinya berhasil pada pemahaman, bukan pada penempelan.
• "Deteksi kecurangan adalah tujuan penilaian lisan." Hasil yang diukur adalah pemahaman dan motivasi, bukan pengurangan teks hasil tempel. Menilai desain itu berdasarkan tingkat deteksinya salah membaca apa yang dicapainya.
• "Tinjauan sejawat adalah pengganti yang lebih murah bagi umpan balik instruktur." Belajar dengan mengajar adalah mekanismenya, dan itu muncul bahkan di antara mesin: wacana yang mirip pembelajaran sejawat di antara lebih dari 2.4 juta agen AI sebagian besar berupa asersi alih-alih penyelidikan. Menghasilkan kritik adalah tindakan yang berbeda dari menerimanya.

Konsep terkait

• Pola Pedagogis — PAIRR dan umpan balik gabungan sejawat-plus-AI: urutannya dan bukti komparatifnya
• Menulis
• Penilaian Formatif
• Penilaian Diri
• Kualitas Umpan Balik AI
• Literasi AI
• Regulasi Diri dalam Belajar
• Metakognisi
• Pengalaman Siswa
• Pembelajaran Kolaboratif
• Integritas Akademik
• Literasi Umpan Balik
• Umpan Balik
• Kerja Kelompok
• Penilaian
• Perancah

Artikel terkait

• AI-peer integrated feedback in second language writing classes: exploring students' engagement and writing performance — Umpan balik terintegrasi AI-plus-sejawat menaikkan ketiga dimensi keterlibatan dan keempat dimensi menulis IELTS

• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — Membandingkan penilaian ChatGPT, sejawat, dan instruktur di seluruh tingkat kualitas proyek (Usher & Faraon 2026)

• Peer and AI Review + Reflection (PAIRR): A Human-Centered Approach to Formative Assessment — Peer and AI Review + Reflection (PAIRR)

• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education — Sistem Umpan Balik Sejawat AI

• Unravelling undergraduates' development of evaluative judgments through AI-supported internal feedback — Mengurai Perkembangan Pertimbangan Evaluatif Mahasiswa Sarjana

• Enhancing learner-centered feedback with AI: teachers'' practices and perceptions — Meningkatkan Umpan Balik Berpusat Siswa dengan AI

• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes — AI Generatif dan Keragaman Linguistik dalam Penulisan Akademik

• GIFT-AI: Teaching the Game and Leveling the Field: Peer and AI Review + Reflection in a Business Writing Course — PAIRR dalam mata kuliah penulisan bisnis: tinjauan sejawat, umpan balik chatbot, refleksi (MacArthur et al. 2025)

• Fostering feedback literacy by scaffolding self-regulated feedback: a comparative study of GenAI and human peers — GenAI vs. sejawat manusia untuk merancah umpan balik mandiri dan literasi umpan balik (Gu et al. 2026)

• Positioning Generative AI in EFL Peer Feedback: Training Feedback Literacy and Enabling Uptake in Speaking Classes — GenAI sebagai Trainer dan Synthesizer dalam umpan balik sejawat EFL pada keterampilan berbicara (Irwin & Muller 2026)

• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — Eksperimen multisitus yang membandingkan umpan balik GenAI sejawat-saja, langsung, reflektif, dan hibrida (Ateş 2026)

• Leveraging generative AI to facilitate peer feedback in collaborative argumentation learning — Umpan balik sejawat GenAI dengan perancah prompt dalam argumentasi kolaboratif (Chang et al. 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Agensi dalam penilaian kelompok yang dimediasi GenAI: kerja sama, penahanan, ketidakberwujudan (Chen & Zou 2026)

• Combating Harms of Generative AI in CS1 with Code Review Interviews and a Flipped Classroom — Wawancara tinjauan kode lisan sebagai pengurangan dampak buruk GenAI di CS1 (Fowles et al. 2026)

• An Interpretable Closed-Loop Intelligent Tutoring System for Multimodal Affective Feedback in Asynchronous Presentation Training — Pembinaan presentasi multimodal otomatis sebagai alternatif yang dapat diskalakan bagi umpan balik sejawat (Suen & Hung 2026)

• Enhancing Peer Exposure and Creating Opportunities for Bridging Social Capital Through an AI-Generated Summary-Driven Learning Design in Online Discussion Forums — Ringkasan diskusi yang dihasilkan AI memperluas paparan sejawat di forum daring (Hao & Cukurova 2026)

• To disclose or not to disclose: Peer influence and psychological factors in students' use of generative artificial intelligence — Pengaruh sejawat dan kepercayaan relasional dalam pengungkapan GenAI oleh siswa (Qu & Wang 2026)

• Can Large Language Models Foster Critical Thinking, Teamwork, and Problem-Solving Skills in Higher Education?: A Literature Review — Tinjauan sistematis LLM untuk berpikir kritis, kerja tim, dan pemecahan masalah (Martínez-Peláez et al. 2025)

• When AI Agents Teach Each Other: Discourse Patterns Resembling Peer Learning in the Moltbook Community — Wacana yang mirip pembelajaran sejawat di antara 2.4 juta agen AI (Chen et al. 2026)

• Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis — Audit atas 14 meta-analisis AIED dan 59 studi primer (O'Neill 2026)

• Teacher feedback vs. AI-assisted peer feedback in L2 writing: A quasi-experimental study in a Chinese university — Umpan balik guru vs. umpan balik sejawat berbantuan AI dalam penulisan L2: kuantitas, fokus, dan lintasan peningkatan pada dua tugas (Tang, Li & Luo 2026)