Pembelajaran yang Dipersonalisasi

Di halaman ini

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

Pembelajaran yang dipersonalisasi — menyesuaikan pengalaman pendidikan dengan profil pembelajar individual, termasuk pengetahuan awal, kecepatan belajar, preferensi, dan keadaan afektif. AI memungkinkan personalisasi dalam skala besar, meskipun kesenjangan antara personalisasi sistem dan personalisasi yang dipersepsikan pembelajar tetap menjadi tantangan pengukuran yang terbuka. Bersama pembelajaran adaptif dan tutor cerdas, ia adalah salah satu anggota sisi aplikasi dari keluarga pemodelan pembelajar dan instruksi adaptif — mengonsumsi model pembelajar untuk menyesuaikan instruksi.

Pertanyaan yang Perlu Dipertimbangkan

Ketika Anda memikirkan 'pembelajaran yang dipersonalisasi,' apakah Anda membayangkan konten yang disesuaikan dengan kecepatan pembelajar, atau dengan tujuan yang mereka pilih? Halaman ini menyatakan keduanya sangat berbeda (hasil seragam melalui jalur beragam vs. hasil beragam). Mana yang lebih Anda hargai, dan mengapa?
Halaman ini membedakan pembelajaran yang dipersonalisasi (tujuannya) dari pembelajaran adaptif (salah satu mekanismenya). Dapatkah Anda memikirkan personalisasi yang tidak melibatkan adaptasi waktu nyata — dan apakah itu masih terhitung?
Sebuah sistem dapat beradaptasi tanpa pembelajar pernah merasa dikenali. Kapan Anda pernah mengalami 'dipersonalisasi' tanpa merasa benar-benar dikenal? Apa bedanya?
Halaman ini menandai bahwa personalisasi berlebihan dapat menjebak pembelajar dalam jalur berekspektasi rendah. Bagaimana penyesuaian AI yang berniat baik dapat secara tidak sengaja menurunkan plafon bagi seorang pembelajar?
Personalisasi membutuhkan data pembelajar yang terperinci; privasi menuntut minimalisasi data. Di mana Anda menarik garis antara 'cukup data untuk beradaptasi' dan 'begitu banyak sehingga pembelajar terpapar'?
Apa yang perlu diingat AI tentang Anda lintas sesi untuk benar-benar mempersonalisasi pembelajaran Anda — dan apa risiko AI mengingat hal-hal itu?

Pendahuluan

Menyesuaikan pengalaman pendidikan dengan profil pembelajar individual, termasuk pengetahuan awal, kecepatan belajar, preferensi, dan keadaan afektif. AI memungkinkan personalisasi dalam skala besar, meskipun kesenjangan antara personalisasi sistem dan personalisasi yang dipersepsikan pembelajar tetap menjadi tantangan pengukuran yang terbuka.

Mishra et al. membedakan dua bentuk personalisasi dengan akar historis yang dalam — hasil seragam yang dicapai melalui jalur beragam (mesin pengajaran Skinner hingga tutoring penguasaan bergaya Khan Academy) vs. hasil beragam yang dipilih pembelajar — yang memetakan ke ketegangan kendali-vs-agensi di bidang ini.
Personalisasi dapat dipenuhi dengan menghasilkan materinya alih-alih mencarinya. DagFlow-AI menghasilkan kumpulan data statistik sintetis yang disesuaikan dengan minat yang dinyatakan siswa, tujuan pembelajaran mata kuliah, dan tingkat keterampilan yang dituju, sebuah kecocokan tiga arah yang menurut penulisnya jarang dipenuhi kumpulan data sungguhan (Arthur et al., 2026). Batasnya sudah melekat: data sintetis tidak dapat mengajarkan pengumpulan data, pengukuran, atau desain studi, sehingga alat itu melengkapi data sungguhan alih-alih menggantikannya.

Arsitektur untuk Personalisasi Berbasis AI

Memori Longitudinal (PersonaVLM → Pendidikan)

Nie et al. (2026) mengembangkan arsitektur memori jangka panjang AI Multimodal (PersonaVLM) yang menjaga konsistensi persona lintas interaksi. Dipetakan ke pendidikan, ini memungkinkan sistem tutoring yang mengingat miskonsepsi pembelajar, penjelasan yang disukai, dan riwayat kemajuan lintas sesi—mengatasi defisit kritis pada tutor chatbot yang tanpa status.

Substrat Personalisasi Berbasis Agen (DeepTutor)

Zhao et al. (2026) merancang setiap fitur DeepTutor agar berbagi substrat personalisasi yang sama, alih-alih menempelkan personalisasi pada alat yang reaktif. Arsitektur ini memastikan koherensi lintas modalitas: profil pembelajar yang sama menggerakkan pemecahan masalah, pembangkitan pertanyaan, dan penulisan kolaboratif.

Personalisasi Sosial Multi-Agen (MAIC)

Yu et al. (2024) mempersonalisasi bukan hanya konten tetapi juga konteks sosial. Arketype teman sekelas (Class Clown, Deep Thinker, Note Taker, Inquisitive Mind) menciptakan dinamika belajar sebaya yang beragam yang disesuaikan dengan kebutuhan pembelajar individual.

AutoML untuk Potret Pembelajar

Personalisasi adalah tujuan sentral untuk meningkatkan mutu pendidikan, namun pengolahan data perilaku belajar heterogen dari berbagai sumber tetap menjadi tantangan. Kerangka pencarian arsitektur kognitif neural yang dipersonalisasi, yang digerakkan oleh machine learning otomatis, membangun potret pembelajar dan menghasilkan model diagnostik untuk profil pembelajar heterogen, mengintegrasikan data multi-modal untuk melampaui hasil ujian yang statis.

Basis pengetahuan statis tidak dapat mempersonalisasi: ontologi berkembang lambat dan menangani ketidakpastian dengan buruk, sehingga arsitekturnya mencocokkan representasi dengan jenis pengetahuan — deklaratif ke ontologi, prosedural ke aturan, tidak pasti ke ontologi fuzzy atau probabilistik, implisit ke analitik dan machine learning — dan lebih memilih sistem ontologi kecil yang dipetakan daripada satu model monolitik (Ivanova, 2026).

Hubungan dengan pembelajaran adaptif dan tutor cerdas

Pembelajaran yang dipersonalisasi sering dicampuradukkan dengan pembelajaran adaptif, tetapi keduanya tidak sama. Pembelajaran adaptif merujuk pada mekanisme — sistem yang menyesuaikan konten, kecepatan, dan tingkat kesulitan secara waktu nyata berdasarkan model pembelajar. Pembelajaran yang dipersonalisasi adalah tujuan yang lebih luas — menyesuaikan seluruh pengalaman belajar (konten, jalur, kecepatan, preferensi, tujuan) dengan individu, yang adaptasi waktu nyata hanyalah salah satu implementasinya. Sistem adaptif adalah sarana menuju personalisasi, tetapi personalisasi juga dapat dicapai melalui profil pembelajar statis, jalur berbasis pilihan, atau penyesuaian oleh tutor manusia yang tidak beradaptasi secara waktu nyata.

Tinjauan PRISMA 2020 atas 22 intervensi pendidikan tinggi menempatkan dukungan pembelajaran yang dipersonalisasi dan jalur adaptif di antara kasus penggunaan AI yang dominan, namun sebagian besar implementasi memperbaiki praktik yang ada alih-alih mentransformasikannya (AlSheikh et al. (2026)).

Tutor cerdas berada di antaranya: ITS adalah platform adaptif kanonis yang menyampaikan instruksi terpersonalisasi melalui pemodelan siswa yang terstruktur, sementara tutor berbasis Model Bahasa Besar (LLM) mempersonalisasi secara percakapan. Ketiganya adalah anggota sisi aplikasi dari keluarga pemodelan pembelajar dan instruksi adaptif — mereka mengonsumsi representasi pembelajar yang dihasilkan oleh pemodelan siswa, Pelacakan Pengetahuan, dan Diagnosis Kognitif untuk memutuskan apa yang diajarkan selanjutnya. Perbedaan ini penting untuk evaluasi: studi yang memberi label sistem sebagai "adaptif," "terpersonalisasi," atau "individual" secara bergantian (lihat di bawah) dapat mengaburkan apakah manfaat yang diklaim berasal dari adaptasi waktu nyata, pilihan pembelajar, atau penyesuaian konten.

Tantangan Pengukuran

Personalisasi sistem vs. yang dipersepsikan — Sebuah sistem dapat beradaptasi tanpa pembelajar merasa dikenali
Validitas longitudinal — Manfaat personalisasi dapat memudar jika profil menjadi basi atau overfit
Risiko keadilan — Personalisasi berlebihan dapat menjebak pembelajar dalam jalur berekspektasi rendah
Risiko bias — Pengondisian pada atribut siswa dapat mengodekan stereotip: dengan esai dianggap konstan, umpan balik bagi siswa yang ditandai berdasarkan ras, bahasa, atau disabilitas menjadi lebih memuji dan kurang kritis (Tan, Phalen & Demszky (2026)).

Personalisasi dan penilaian

Personalisasi dan Penilaian sangat terkait erat dalam pembelajaran berbasis AI. Personalisasi adaptif bergantung pada pengukuran formatif yang berkelanjutan atas apa yang diketahui pembelajar (melalui Pelacakan Pengetahuan, Pemodelan Pembelajar dan Pengajaran Adaptif, dan Diagnosis Kognitif) untuk memutuskan apa yang diadaptasi selanjutnya — sehingga keandalan sinyal Penilaian secara langsung membatasi kualitas personalisasi. Sebaliknya, ketika penilaian sumatif dipersonalisasi per pembelajar, keadilan dan keterbandingan menjadi lebih sulit ditegakkan. Penelitian dalam basis pengetahuan memperingatkan agar tidak beradaptasi berlebihan terhadap sinyal yang dangkal atau berderau: sistem adaptif yang salah mengukur pembelajar dapat mempersonalisasi dengan cara yang menurunkan pembelajaran alih-alih mendukungnya, dan siswa asli-AI yang penilaian dirinya tidak dapat diandalkan (sebuah "dasar kognitif yang absen") lebih sulit dimodelkan secara akurat.

Personalisasi di era AI

Bukti terkuat bahwa kekhawatiran ini bukan hipotetis berasal dari studi longitudinal tiga gelombang atas 486 mahasiswa Tiongkok (Li, Lin & Qiu, 2026), yang menemukan bahwa semakin terpersonalisasi lingkungan adaptif AI yang dipersepsikan siswa, semakin rendah pembelajaran yang diatur sendiri mereka — "paradoks personalisasi." Pergeseran emosi akademik membawa sebagian besar efeknya: menghadapi lingkungan adaptif memprediksi lebih sedikit kesenangan dan lebih banyak kecemasan serta kebosanan, dan perubahan emosional itu bersama-sama menyumbang sekitar separuh asosiasi antara personalisasi dan penurunan regulasi diri. Literasi AI meredam kerusakannya, melemahkan asosiasi emosional negatif hingga tidak signifikan pada literasi tinggi. Personalisasi karena itu tampaknya membeli kesesuaian adaptif dengan biaya pada aktivitas regulasi pembelajar sendiri, dan studi itu menunjukkan pengalaman emosional — bukan hanya beban kognitif — sebagai saluran pembayaran biaya tersebut.

Di mana diagnosis di balik suatu jalur tervalidasi, personalisasi membuahkan hasil dengan menurunkan beban alih-alih dengan mencakup lebih banyak: remediasi jalur terpendek rata-rata 3.82 langkah dan memangkas waktu belajar 22.0% (57.6 versus 73.8 menit), dengan beban kognitif membawa 53.7% dari efek pascates (Feng & Huang, 2026).

Bukti untuk alat itu sendiri bisa negatif pada skala kecil: dalam uji lima hari tentang pecahan di sekolah dasar (n akhir = 22), kelompok business-as-usual menunjukkan keuntungan pemahaman yang secara signifikan lebih besar daripada kelompok Mathbot adaptif-AI, dan penulisnya menandai perancu tingkat kelas, menebak, serta biaya lisensi sebagai batasan — label "adaptif" tidak membawa efek apa pun (Holman (2024)).

Pembelajaran penguatan adalah mekanisme personalisasi yang berbeda, dan Riedmann, Schaper & Lugrin (2025) memetakan rekam jejak empirisnya: tinjauan PRISMA mereka atas 89 studi RL-dalam-pendidikan menemukan personalisasi RL terkonsentrasi di Pendidikan Tinggi dan Pendidikan Matematika, dengan adaptasi diimplementasikan terutama sebagai penjadwalan konten (n = 53) atau personalisasi terkait bimbingan seperti petunjuk dan umpan balik (n = 36). Mereka melaporkan bahwa kebijakan RL mengalahkan garis dasar non-adaptif paling sering pada adaptasi terkait bimbingan dan pada variabel afektif (63% studi yang diuji), dan bahwa perolehan belajar — terutama perolehan belajar ternormalisasi — adalah sumber imbalan yang paling efektif — panduan praktis untuk merancang sinyal imbalan yang mempersonalisasi ke arah pembelajaran sejati alih-alih keterlibatan.

Wang et al. (2026) menunjukkan bahwa tujuan imbalan itu sendiri adalah pilihan personalisasi: pelatih RL yang dilatih pada kompetensi mandiri pembelajar memangkas waktu putaran 27.9% (p = 0.005) di tempat pemudaran berbasis aturan tidak menghasilkan perubahan yang dapat diandalkan, dan penulisnya berargumen bahwa agen pengodean yang dioptimalkan untuk kinerja tugas tidak membawa insentif bagi apa yang dipertahankan manusia.

Bernstein dan Sibia (2026) mempertajam perbedaan antara personalisasi minat dan personalisasi keahlian: analogi GenAI yang dicocokkan dengan minat dilaporkan lebih menarik dan mudah diingat tetapi tidak secara seragam lebih dipercaya, dan sebagian siswa lebih menyukai penjelasan teknis generik bahkan ketika analogi itu cocok dengan minat yang mereka nyatakan, demi kemandirian dan kelengkapan (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education). Rekomendasi desain mereka adalah mempersonalisasi melalui struktur domain sumber dan menanyakan kepada siswa apa yang sudah mereka ketahui, bukan hanya apa yang menarik bagi mereka, karena keakraban dengan domain sumber itulah yang memungkinkan pembelajar memeriksa analogi — dan memberi pembelajar kendali atas personalisasi melalui menu analogi, opsi ikut serta, atau menawarkan versi generik dan terpersonalisasi bersama-sama. Sidorkin (2026) mendokumentasikan pasangan lebih lanjut pada tingkat materi kuliah alih-alih penjelasan individual: bacaan mingguan yang dihasilkan sesuai permintaan untuk mata kuliah kepemimpinan pendidikan pascasarjana disesuaikan sekaligus menurut minat (sektor, peran profesional, contoh lokal) dan tingkat pemahaman (kecepatan, definisi, kedalaman), dan log yang dihasilkan berbagi tulang punggung yang sama (kesamaan kosinus TF-IDF 0.50 hingga 0.61), yang ia baca sebagai templat dengan tombol yang dapat disetel alih-alih penulisan ulang menyeluruh per pembelajar. Korpus yang sama menunjukkan bahwa penyesuaian itu struktural tetapi tidak merata intensitasnya: penanda penyesuaian pada tingkat artefak rata-rata 52.24 per 10,000 kata dan berkisar dari 38.74 hingga 74.29 lintas log, sementara prompt berorientasi pemahaman menghasilkan Perancah definisional 3.4x hingga 8.7x lebih banyak daripada teks penjelasan garis dasar.

Sumbu ketiga personalisasi adalah tujuan, dan itulah masukan yang paling buruk ditangani perencana AI. Liu et al. (2026) memasangkan 2,000 persona pembelajar sintetis dengan graf prasyarat 347 buku teks dan 4,092 konsep dan meminta sepuluh LLM merencanakan, langkah demi langkah, pengetahuan apa yang harus dipelajari pembelajar untuk mencapai unit target yang dinyatakan. Model-model itu menghasilkan kurikulum yang sehat secara struktural — DeepSeek-V3.1 mencapai 90.9% pada validitas prasyarat-dan-halusinasi — namun gagal menyesuaikannya dengan pembelajar: adaptivitas memuncak pada 44.7%, tingkat lulus akhir DeepSeek-V3.1 adalah 29.5% di Pendidikan Dasar dan 14.6% di Pendidikan Tinggi, dan menghapus medan penguasaan dari persona menelan hingga 26.1 poin persentase adaptivitas sementara validitas hampir tidak berubah. Menghasilkan seluruh jalur dalam satu lintasan alih-alih secara interaktif menaikkan validitas sebanyak 30.8 poin sekaligus memangkas adaptivitas sebesar 28.8. Klaim "terpersonalisasi" adalah klaim tentang merespons keadaan pembelajar, dan variabel keadaan adalah bagian yang paling mudah ditiadakan oleh perencana ini — padanan komputasional dari kekhawatiran pengukuran di atas.

Sumbu keempat adalah audiens alih-alih pembelajar individual: Bespoke meregenerasi kuliah yang ada untuk kelompok profesional tertentu (kesehatan, keuangan, atau energi), dan penilai ahlinya memberi skor 0.32 poin lebih tinggi pada kedalaman personalisasi bagi versi yang dibingkai industri (3.97 vs. 3.65) sementara kalibrasi audiens tertinggal (3.52). Menyesuaikan dengan kohort alih-alih dengan pembelajar adalah bentuk personalisasi yang lebih murah dan lebih mudah dikelola, tetapi rubrik yang mengukurnya menilai kesesuaian yang dinilai, bukan hasil pembelajar.

Personalisasi dapat mengalahkan presenter manusia: dalam mata kuliah daring besar (493 responden), siswa memberi peringkat video terpersonalisasi hasil AI di atas video rekaman manusia non-terpersonalisasi (peringkat rata-rata 2.26 versus 2.69) dan 88.4% memberi peringkat pertama pada suatu video terpersonalisasi, dibandingkan 73.8% untuk rekaman manusia (Tomlinson et al. (2026)).

Mikro-personalisasi terkondisi prompt

Basu, Kakar & Goel (2026) menunjukkan bahwa kesenjangan antara personalisasi sistem dan yang dipersepsikan dapat ditangani pada tingkat respons. Kerangka mereka untuk tutor Jill Watson berbasis Model Bahasa Besar (LLM)/RAG (Pembangkitan yang Diperkaya dengan Pengambilan) menggabungkan preferensi yang dipilih pembelajar (abstraksi, keberlimpahan kata, persepsi, pemrosesan, pemahaman) dengan tuntutan kognitif yang disimpulkan sistem (Taksonomi Bloom) untuk menghasilkan 96 mikro-profil yang diadaptasi pada setiap interaksi melalui pengondisian prompt terstruktur — tanpa pelatihan ulang, tanpa penulisan khusus domain. Ini adalah hibrida antara adaptabilitas (pemilihan preferensi yang digerakkan pembelajar) dan adaptivitas (penilaian kognitif yang digerakkan sistem), yang menunjukkan bahwa personalisasi atas bagaimana konten disajikan dapat sekaligus skalabel dan terpersepsikan oleh pembelajar.

Ambiguitas terminologis

Masalah yang berulang adalah bahwa "pembelajaran yang dipersonalisasi" adalah istilah payung yang luas dan didefinisikan secara longgar. Tinjauan sistematis (Khalifeh et al., 2026) menemukan bahwa pembelajaran adaptif, instruksi individual, pembelajaran yang dikustomisasi, dan pembelajaran yang dipersonalisasi digunakan secara bergantian, tanpa definisi yang diterima secara universal — sumber ambiguitas konseptual yang mempersulit sintesis penelitian dan praktik berbasis bukti. Bidang ini semakin menyerukan kerangka dan definisi yang terpadu agar "terpersonalisasi" menandakan klaim yang tepat dan didukung bukti alih-alih label yang kabur (poin yang diperkuat oleh kritik basis pengetahuan atas penggunaan konstruk yang lemah).

Miskonsepsi Umum

"Pembelajaran yang dipersonalisasi dan pembelajaran adaptif adalah hal yang sama." Sistem adaptif adalah salah satu sarana menuju personalisasi, bukan definisinya. Personalisasi juga dapat dicapai melalui profil pembelajar statis, jalur berbasis pilihan, atau penyesuaian oleh tutor manusia yang tidak pernah beradaptasi secara waktu nyata. Memperlakukan keduanya sebagai sinonim membuat sekolah yang menawarkan pilihan pembelajar yang kaya tetapi tanpa mesin adaptif tampak tidak terpersonalisasi, dan membuat latihan yang sangat adaptif tampak lebih berpusat pada pembelajar daripada kenyataannya.

"Personalisasi membuahkan hasil dengan mencakup lebih banyak materi." Di mana diagnosis di balik suatu jalur benar-benar tervalidasi, ia membuahkan hasil dengan menurunkan beban alih-alih dengan cakupan: remediasi jalur terpendek rata-rata 3.82 langkah dan memangkas waktu belajar 22.0% (57.6 versus 73.8 menit), dengan beban kognitif membawa efeknya. Manfaatnya adalah lebih sedikit langkah yang tidak perlu, bukan lebih banyak konten per jam.

"Model yang dapat menghasilkan kurikulum yang koheren dapat mempersonalisasikannya." Generasi dan adaptasi adalah kemampuan yang berbeda, dan kesenjangan di antaranya besar. Model penghasil kurikulum menghasilkan keluaran yang sehat secara struktural — DeepSeek-V3.1 mencapai 90.9% pada validitas prasyarat-dan-halusinasi — sementara adaptivitas memuncak pada 44.7%, dengan tingkat lulus akhir 29.5% pada kondisi Dasar. Validitas prasyarat bukanlah personalisasi.

"Menghasilkan materi menghapus kendala yang ditimbulkan konten sungguhan." Generasi melonggarkan satu kendala dan tidak dapat melonggarkan yang lain. DagFlow-AI menghasilkan kumpulan data statistik sintetis yang disesuaikan dengan minat yang dinyatakan siswa, tujuan mata kuliah, dan tingkat keterampilan yang dituju — kecocokan tiga arah yang jarang dipenuhi kumpulan data sungguhan — tetapi penulisnya menyatakan batasnya dengan jelas: data sintetis tidak dapat mengajarkan pengumpulan data, pengukuran, atau desain studi, sehingga alat itu melengkapi data sungguhan alih-alih menggantikannya.

"Perolehan belajar yang dilaporkan adalah yang memvalidasi sistem ini." Dalam studi RL dan personalisasi yang disurvei di sini, kebijakan mengalahkan garis dasar non-adaptif paling sering pada adaptasi terkait bimbingan dan pada variabel afektif (63% studi yang diuji), sementara perolehan belajar — terutama perolehan belajar ternormalisasi — adalah hasil yang paling jarang dilaporkan. Literatur yang melaporkan keterlibatan dan afek jauh lebih banyak daripada pembelajaran bukanlah bukti bahwa pembelajaran mendominasi.

Implikasi bagi Praktik

Bagi instruktur

Tanyakan apa yang sedang diadaptasi sebelum mempercayai kata "terpersonalisasi": kontennya, urutannya, kecepatannya, afeknya, atau penyajiannya. Adaptasi yang berbeda membawa bukti yang berbeda, dan hanya sebagian yang memiliki hasil belajar yang melekat.
Utamakan sistem yang memendekkan jalur daripada sistem yang menambah konten. Manfaat terukur dalam studi remediasi adalah 22% lebih sedikit waktu belajar, bukan cakupan yang lebih banyak.
Pertahankan bagian-bagian disiplin yang tidak dapat disediakan kumpulan data yang dihasilkan — pengumpulan data, pengukuran, desain studi — sebagai kerja sungguhan, dan biarkan personalisasi beroperasi pada praktik di sekitarnya.

Bagi pengembang

Laporkan hasil belajar, bukan hanya keterlibatan dan afek. Temuan survei bahwa perolehan belajar adalah ukuran yang paling jarang dilaporkan adalah deskripsi tentang apa yang saat ini dikirimkan bidang ini, bukan templat untuk disalin.
Bedakan kualitas generasi dari kualitas adaptasi dalam evaluasi Anda sendiri, idealnya melaporkan keduanya secara terpisah, karena validitas prasyarat yang kuat dapat hidup berdampingan dengan adaptivitas di bawah 50%.
Perlakukan tujuan imbalan sebagai pilihan personalisasi tersendiri: pelatih RL yang dilatih pada kompetensi mandiri pembelajar memangkas waktu putaran 27.9% (p = 0.005) di tempat pemudaran berbasis aturan tidak menghasilkan perubahan yang dapat diandalkan.

Bagi peneliti

Berhentilah mencampuradukkan personalisasi dengan adaptasi dalam konstruk yang Anda ukur, dan nyatakan secara eksplisit mekanisme mana yang menghasilkan efeknya.
Laporkan perolehan belajar ternormalisasi sebagai hasil primer; kelangkaannya dalam literatur adalah celah yang harus ditutup, bukan konvensi yang harus diwarisi.

Konsep terkait

Pembelajaran Adaptif — Sistem adaptif yang menyesuaikan konten, kecepatan, dan kesulitan dengan pembelajar secara waktu nyata
Tutoring Cerdas — Sistem tutoring yang memodelkan pembelajar dan menyampaikan instruksi individual
Pemodelan Pembelajar dan Pengajaran Adaptif — Merepresentasikan pengetahuan, keterampilan, dan keadaan pembelajar yang menggerakkan adaptasi
Pelacakan Pengetahuan — Menyimpulkan penguasaan komponen pengetahuan dari kinerja sepanjang waktu
Diagnosis Kognitif — Mendiagnosis pengetahuan dan atribut laten pembelajar dari respons
Perancah — Dukungan dan pemudaran yang dikalibrasi dengan kebutuhan pembelajar individual
Pengalaman Siswa — Pengalaman hidup pembelajar atas personalisasi
Analitik Pembelajaran — Pengukuran pembelajaran berbasis data yang menginformasikan adaptasi
Penilaian Formatif — Penilaian berkelanjutan yang memberi sinyal apa yang diadaptasi selanjutnya
Penilaian Sumatif — Penilaian titik akhir yang keterbandingannya dipersulit oleh personalisasi
AI Generatif — Personalisasi percakapan berbasis LLM
Platform Edtech — Platform yang menyampaikan pembelajaran terpersonalisasi dalam skala besar
Pendidikan Tinggi — Konteks pendidikan tinggi untuk personalisasi
Pengajaran dan Pembelajaran Daring — Pengajaran dan Pembelajaran Daring
Sistem Rekomendasi dan Jalur Pembelajaran

Metadata

Tingkat	Higher Ed, K 12
Audiensi sasaran	Learners
Pembelajaran dan pengajaran	Perancah
Teknologi dan teknik	Pembelajaran Adaptif, AI Generatif, Tutoring Cerdas, Model Bahasa Besar (LLM), Pembelajaran yang Dipersonalisasi
Dasar-dasar AI dalam pendidikan	AI dalam Pendidikan

Sumber Riwayat Sunting Obrolan