Pendidikan Fisika

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

Pendidikan Fisika — studi tentang bagaimana siswa belajar fisika dan bagaimana mengajarkannya lebih efektif, mencakup tutor AI Sokratik, penilaian berpikir komputasional, kepercayaan siswa dan pola adopsi AI, validitas penilaian otomatis, serta persiapan guru. Artikel-artikel pendidikan fisika dalam basis pengetahuan ini menonjol karena kekhususan domainnya: artikel-artikel itu menelaah bagaimana alat AI berinteraksi dengan tuntutan kognitif khas penalaran fisika — pemikiran visual-spasial, pemodelan matematis, pemikiran sistem abstrak, dan pemecahan masalah bertahap.

Pertanyaan yang Perlu Dipertimbangkan

• Soal fisika sering menuntut pemikiran visual-spasial, pemodelan matematis, dan penalaran bertahap. Mengapa justru tuntutan kognitif inilah yang mungkin paling sulit bagi tutor AI saat ini?
• Siswa melaporkan kesenjangan kepercayaan-kegunaan yang besar—91% menggunakan AI untuk tugas kuliah tetapi hanya 41% memercayainya. Pernahkah Anda menggunakan alat yang tidak sepenuhnya Anda percayai? Apa yang menyebabkan kesenjangan itu?
• Penilaian AI secara sistematis meremehkan penjelasan fisika siswa yang lemah secara linguistik. Apa yang hal itu tunjukkan tentang bagaimana AI menilai sebuah penjelasan dibandingkan jawaban numerik yang benar?
• Satu studi menemukan bahwa chatbot AI Sokratik secara dramatis meningkatkan kekhususan pertanyaan dalam mata kuliah fisika langsung, tetapi siswa juga sering 'menyerahkan kendali strategis' kepada tutor. Kapan menyerahkan kendali strategis membantu pembelajaran, dan kapan merugikannya?
• Mengapa fisika mungkin menjadi 'ladang uji' bagi AI dalam pendidikan—apa yang membuat soal-soalnya ideal untuk mempelajari bagaimana AI memengaruhi penalaran dan penilaian?
• Apakah Anda akan memercayai AI untuk menilai set soal fisika Anda atau menalar diagram gaya bersama Anda? Apa yang harus benar tentang AI itu—dan tentang mata kuliah Anda—agar Anda berkata ya?

Pendahuluan

Penelitian pendidikan fisika telah menjadi ladang uji bagi AI dalam pendidikan karena soal fisika terstruktur baik namun menuntut secara kognitif, sehingga ideal untuk mempelajari bagaimana alat AI memengaruhi pembelajaran, penalaran, dan penilaian. Ke-26 artikel dalam basis pengetahuan ini secara kolektif melukiskan gambaran sebuah bidang yang bergulat dengan janji sekaligus batas AI — dari chatbot Sokratik yang meningkatkan kualitas pertanyaan siswa hingga bias penilaian sistematis yang merugikan pembelajar yang beragam secara linguistik.

Tema penelitian utama

Tutorial AI Sokratik dalam fisika adalah tema yang paling berkembang, dengan tiga artikel yang menerapkan dialog Sokratik bertenaga Model Bahasa Besar (LLM) dalam mata kuliah fisika nyata. Hashmi et al. menunjukkan bahwa interaksi Sokratik yang berkelanjutan dengan chatbot AI secara dramatis meningkatkan kekhususan pertanyaan dalam mekanika pengantar, dengan 150 mahasiswa STEM dalam mata kuliah langsung. Hashmi & Rebello membangun taksonomi bottom-up atas 357 kategori wacana siswa dari penerapan yang sama, mengungkap bahwa giliran meta-prosedural — ketika siswa menyerahkan kendali strategis kepada tutor — mendominasi interaksi siswa. Keduanya berkontribusi pada penelitian Metode Sokratis yang lebih luas dan terhubung dengan kerangka AI Tutoring dan Tutoring Cerdas.

Adopsi dan kepercayaan AI di kalangan siswa menelaah bagaimana siswa fisika sebenarnya menggunakan alat AI. Fouad & Bentley menemukan kesenjangan kepercayaan-kegunaan sebesar 50 poin: 91% menggunakan AI untuk tugas kuliah tetapi hanya 41% memercayainya, dengan siswa secara spontan mengidentifikasi mode kegagalan AI dalam penalaran visual-spasial dan rangkaian listrik. Becker et al. mengembangkan tipologi dua profil — 70% "Pengguna Pragmatis" dan 30% "Bukan-Pengguna Skeptis" — dari 1,189 respons survei, menunjukkan bahwa kedua kelompok membuat pertukaran risiko-kegunaan yang diperhitungkan. Studi-studi ini memajukan penelitian Literasi AI dan Kalibrasi Kepercayaan, serta menantang kebijakan AI yang seragam untuk semua.

Penggunaan terstruktur, bukan sekadar adopsi. Studi adopsi di atas menggambarkan siapa yang menggunakan AI dan seberapa besar mereka memercayainya. Alur terpisah menanyakan apa yang harus dilakukan desain instruksional dengan penggunaan itu, dan bukti multi-institusi tentangnya masih langka. Paul et al. (2026) menjalankan protokol Physics AI-Replication empat langkah di 11 kelas berbasis aljabar dan kalkulus di empat institusi: identifikasi soal sulit, dapatkan penjelasan dan solusi AI, minta soal latihan serupa, lalu selesaikan secara mandiri sebelum memeriksanya.

Persepsi konsisten di seluruh kampus. Dari 358 siswa terdaftar, 235 disurvei (65.6%); 90.9% menilai pemahaman konseptual meningkat dan 97.7% menganggap latihan replikasi membantu; kepercayaan diri pascakegiatan rata-rata 7.18 pada skala 1–10 dengan rata-rata institusi dari 6.86 hingga 7.52; dan tema kualitatif dominan bertahan antara 60.6% dan 67.6% di setiap lokasi. Kepercayaan diri mengikuti dua manfaat protokol tersebut (r_s = 0.37 dan 0.35) tetapi tidak mengikuti frekuensi penggunaan AI (r_s = 0.02) — variabel yang biasanya diukur literatur adopsi.

Keyakinan epistemologis mengikuti preferensi perilaku chatbot. Dalam mata kuliah besar berbasis kalkulus, 52% siswa lebih menyukai chatbot yang memulai dengan penyelidikan terbimbing dan menjawab hanya ketika diminta, dan mereka memperoleh skor lebih tinggi pada total EBAPS (p = 0.029) — perbedaan yang tidak bertahan setelah koreksi Bonferroni, sehingga asosiasinya sugestif, bukan konklusif (Sirnoorkar dan Mamidpalliwar (2026)).

Penerimaan kini telah dimodelkan, bukan sekadar dideskripsikan: studi persamaan struktural pada 340 siswa kelas fisika Grade 10 di Hangzhou menjelaskan 58% varians niat menggunakan DeepSeek. Temuan pentingnya adalah bahwa keyakinan tentang fisika — nilai kegunaan, ekspektasi, biaya — memprediksi seberapa berguna dan seberapa mudah alat itu tampak, bukan hanya apakah siswa berniat menggunakannya (Xue, Xu, Qi & Lu (2026)).

Perubahan persepsi tanpa perubahan perilaku adalah yang ditambahkan O'Brien et al. (2026) pada gambaran ini. Sebuah pelajaran reflektif tentang cara kerja LLM, yang diajarkan dalam mata kuliah wajib tahun pertama bagi mahasiswa fisika, menaikkan skeptisisme secara tajam — kesepakatan bahwa LLM dapat meninggalkan siswa dengan rasa percaya diri yang palsu naik dari 58% ke 88%, dan keyakinan bahwa LLM mengungguli rata-rata siswa fisika turun dari 54% ke 32% — sementara kenyamanan (71% sepakat) dan tekanan tenggat waktu (65%) tetap menjadi alasan dominan penggunaan. Batas pelajaran itu sama informatifnya dengan efeknya: pengajaran Literasi AI mengubah apa yang siswa katakan tentang alat-alat ini dan bukan tekanan yang membuat mereka menjangkaunya, itulah sebabnya intervensi semacam ini berada di samping desain soal dan kebijakan, bukan menggantikannya.

Pengajuan soal mengubah pembelajar menjadi pengarang soal: 76% dari 49 siswa fisika memersepsikan perubahan positif dalam interaksi GenAI mereka setelah pelatihan rekayasa prompt, pemula paling banyak memperoleh manfaat, dan sekitar 68% memandang teknik itu positif sebagai belajar mandiri (Dawson & Rebello (2026)).

Penilaian dan berpikir komputasional menelaah bagaimana AI dapat mengevaluasi pembelajaran fisika. Savage et al. menggunakan LLM untuk menilai pertumbuhan berpikir komputasional dalam fisika pengantar, menemukan bahwa LLM dapat menskalakan penilaian CT tetapi kesulitan dengan konstruk kompleks seperti Berpikir Sistem. Feser & Tschisgale menunjukkan bahwa penilaian AI secara sistematis meremehkan penjelasan fisika siswa yang lemah secara linguistik — temuan yang terhubung dengan Validitas Penilaian, Mitigasi Bias, dan Keadilan.

Ketidaksepakatan penilai AI bisa berupa kegagalan pengambilan, bukan kesenjangan penalaran. Dalam laporan laboratorium fisika eksperimen, tanda yang terlewat atau sumbu yang salah dibaca mungkin tidak pernah mencapai model, sehingga kondisi dokumen — PDF beresolusi tinggi, persamaan yang ditulis editor — membatasi skor apa pun, dan pemrosesannya berada di balik verifikasi guru (Abreu et al. (2026)).

Infrastruktur psikometrik untuk penilaian diagnostik. Le et al. (2026) membalik pertanyaan biasa tentang AI dalam fisika: alih-alih menanyakan apakah model dapat menyelesaikan atau menilai fisika, mereka menanyakan apakah penilaian berbasis penelitian milik bidang itu sendiri dapat dibuat untuk mendiagnosisnya. Dengan memetakan butir FCI, FMCE, dan EMCS ke 14 tujuan pembelajaran berbutir halus dan mencocokkan model diagnostik-kognitif DINA pada 24,394 respons posttest dari 807 mata kuliah di 79 institusi melalui platform LASSO, mereka membangun Mechanics Cognitive Diagnostic — dilaporkan sebagai tes adaptif terkomputerisasi diagnostik kognitif pertama dalam fisika. FCI dan EMCS cocok dengan baik (RMSEA² = 0.033 dan 0.022) sementara FMCE hanya cocok secara marginal (0.065), dan penulis menelusuri ketidakcocokan itu ke desain instrumen alih-alih pemodelan: 42 dari 43 butir FMCE yang dinilai berbagi batang skenario dalam rangkaian berantai, menciptakan ketergantungan butir lokal yang dilarang asumsi independensi-kondisional DINA (FCI memblok 13 dari 30 butir; EMCS tidak sama sekali). Akurasi klasifikasi memenuhi tolok ukur formatif berisiko rendah untuk 19 dari 22 kombinasi tujuan–penilaian; tiga kegagalan adalah tujuan energi EMCS yang butirnya bertumpang tindih sekitar 70 persen, sehingga penguasaan satu tujuan tidak dapat dipisahkan dari yang lain. Signifikansinya bagi pengajaran fisika adalah bahwa instrumen yang sudah dijalankan mata kuliah dapat digunakan ulang untuk memberikan umpan balik yang dapat ditindaklanjuti pada tingkat tujuan selama pengajaran alih-alih skor posttest retrospektif — asalkan klaim diagnostiknya disesuaikan dengan resolusi yang benar-benar dapat didukung bank butir.

Tolok ukur AI multimodal pada soal fisika autentik. Chen et al. (2026) memperkenalkan OmniPhys, AI Multimodal Tolok Ukur berskala besar (15,246 pertanyaan, 19,850 gambar) yang mencakup fisika dari tingkat menengah hingga universitas dari korpora pendidikan Tiongkok. Tidak biasa, ia mengevaluasi bukan hanya pemahaman masukan multimodal tetapi juga generasi keluaran multimodal — apakah model dapat menyintesis diagram fisika terstruktur, komponen inti pemecahan masalah autentik. Evaluasi ekstensif mengungkap kesenjangan kritis pada LLM multimodal saat ini, terutama dalam penalaran kompleks dan generasi visual.

Kerangka desain instruksional untuk pengajaran yang diperkuat AI. Kuhn et al. mengusulkan kerangka AIRIS (Activate–Inquire–Reflect with Intelligent Support) — struktur tiga fase untuk penggunaan AI yang teraktivasi secara kognitif dalam fisika: siswa memprediksi dan membuat sketsa hasil yang diharapkan sebelum AI (Activate), menyerahkan langkah komputasional dan representasional kepada AI sambil membandingkan keluarannya secara kritis dengan prediksi mereka sendiri (Inquire), lalu menafsirkan, memeriksa konsistensi lintas representasi, dan merenungkan apa yang disumbangkan AI sesudahnya (Reflect). Berlandaskan Regulasi Diri dalam Belajar, Teori Beban Kognitif, representasi eksternal berganda, dan Kolaborasi Manusia-AI, kerangka ini membingkai tantangan sentral sebagai desain instruksional alih-alih kecurangan atau pilihan alat, dan menyerukan eksperimen "kondisi penarikan" yang menguji apakah pembelajaran bertahan ketika dukungan AI dihapus.

• Ajarkan kritik atas solusi AI dengan rubrik. Dua puluh empat kelompok laboratorium fisika pengantar yang mengkritik solusi AI dengan refleksi berpanduan MAPS mengidentifikasi integrasi numerik yang dilewati, notasi tak terdefinisi, dan pembuatan grafik kualitatif alih-alih kuantitatif, sementara kelompok yang hanya menyelesaikan soal terkait menerima keluaran yang mulus atau menolaknya berdasarkan miskonsepsi mereka sendiri (Borse et al. (2026)).
• Prakonsepsi energi menentukan apakah AI menjadi pembicaraan konsep atau sekadar pencarian. Wang et al. (2026) menjalankan empat belas kelompok guru prajabatan melalui bentuk dan konservasi energi di Go-Lab dengan chatbot metakognitif sesuai permintaan. Kelompok yang anggotanya menjawab pretest energi secara berbeda mengajukan jenis pertanyaan yang sama dengan kelompok yang dipasangkan, tetapi menempatkan negosiasi kueri AI di pusat jaringan interaksi mereka dan mempertahankan evaluasi positif atau netral atas jawabannya, sementara kelompok yang dipasangkan menjalankan jalur linier kueri-lalu-baca. Kebingungan konsep berjalan f = 87 berbanding 36, dengan cakupan kasus 88.9% berbanding 57.1%.

Video generatif sebagai data eksperimen sintetis. Alvarado-Cruz et al. (2026) menghasilkan skenario video dengan PixVerse, Grok Imagine, dan Pippit untuk tiga rezim gaya resistif — gesekan konstan, hambatan linier, dan hambatan kuadratik — mengekstraksi kinematika dengan alat Sumber Terbuka Tracker, dan mencocokkan model analitisnya dengan kuadrat terkecil nonlinier. Data sintetis itu sesuai dengan persamaan gerak klasik dan memulihkan parameter yang bermakna secara fisik, dan temuan praktis yang berulang adalah bahwa kekhususan prompt mengatur koherensi fisik: deskripsi yang lebih rinci menghasilkan dinamika yang lebih koheren. Alur kerja ini mencerminkan praktik eksperimental dari konstruksi model hingga validasi kuantitatif, dan membingkai ulang perumusan prompt sebagai tahap desain eksperimen alih-alih sekadar kemudahan. Yang belum ditunjukkannya adalah pembelajaran: validasi di sini adalah kesesuaian antara gerak yang dihasilkan dan model penulis, bukan pertimbangan pengukuran siswa, sehingga pendekatan ini mewarisi pertanyaan validitas yang harus dijawab setiap data yang dihasilkan dan digunakan sebagai bukti.

Simulasi khusus untuk topik yang tidak dicakup PhET. Model HTML/JavaScript yang dihasilkan LLM memungkinkan instruktur membuat simulasi yang dibutuhkan mata kuliah, bukan yang terdekat yang sudah diterbitkan, dengan tunduk pada validasi teknis dan fisik; dalam uji coba, 53 siswa dalam 26 pasangan membangun dan menyempurnakan model jatuh bebas mereka tanpa memerlukan latar belakang pemrograman (Ben-Zion et al., 2025).

Sebuah prompt empat elemen yang dapat digunakan ulang — alat, tampilan, kontrol tangan, optimasi — memungkinkan guru tanpa kode menghasilkan simulasi AR berbasis peramban yang gerakan cubit-dan-bentangnya menggerakkan fisikanya; dalam uji coba dengan 29 siswa, gerakan itu membantu semua 29 orang "merasakan" panjang gelombang (rata-rata 4.52) dan 86% melaporkan keterlibatan yang lebih besar (Levy et al. (2026)). Instrumentasi yang dihasilkan AI dari sebuah prompt. Laboratorium rotasi yang dihasilkan melalui pemberian prompt bahasa alami kepada asisten AI, tanpa pengodean manual, mengukur gerak melingkar beraturan dan dipercepat hingga dalam 1% dari analisis video Tracker independen, memungkinkan instruktur membangun antarmuka di sekitar variabel pedagogis mereka alih-alih beradaptasi dengan aplikasi sensor yang sudah terkompilasi (Suñer et al. (2026)).

Kinerja terbantu vs. pengetahuan tanpa bantuan dalam mata kuliah yang dirancang ulang. Rancangan ulang 2026 atas mata kuliah pengantar fisika nuklir dan partikel di Ruhr University Bochum (Mikhasenko et al.) mengizinkan AI generatif pada sepuluh lembar pekerjaan rumah yang sengaja tahan-AI dan berbentuk penelitian, dirancang agar pemberian prompt naif tidak memadai. Keterlibatan dan ambisi tinggi — 24 dari 42 siswa memperoleh kredit pada kesepuluh lembar, dan satu penurunan rumus memenuhi lebih dari dua meter papan tulis — tetapi ujian tertulis 90 menit tanpa bantuan merupakan "peringatan serius": rata-rata 20.6/80, dengan hanya dua dari 27 peserta ujian mencapai 40. Penulis menyimpulkan bahwa kinerja terbantu dan pengetahuan yang dapat diambil kembali secara mandiri adalah pencapaian yang berbeda yang tidak dapat diasumsikan saling melatih atau saling membuktikan, dan bahwa mata kuliah fisika harus menyisakan sebagian latihan untuk kerja tanpa bantuan — memperkuat bukti transfer yang lebih luas dalam basis pengetahuan ini.

Sebuah tinjauan PRISMA 2026 atas 11 studi empiris di enam negara mencapai kesimpulan yang sama pada tingkat bidang: keuntungan jangka pendek dari umpan balik AI dan simulasi tidak bertahan ke ujian berikutnya atau tidak tertransfer ke kinerja mandiri (tinjauan AI dalam pendidikan fisika universitas).

Desain peran agen sebagai variabel instruksional. Wang et al. (2026) menahan model (DeepSeek R1), platform, dan suhu tetap konstan dan hanya memvariasikan peran yang ditentukan prompt: agen berpusat guru yang menjawab secara otoritatif dari sumber pengetahuan buku teks yang terbatas, versus agen berpusat siswa yang dikonfigurasi sebagai guru empatik dengan pengetahuan tentang pemahaman siswa, terprogram untuk mendiagnosis penyebab Miskonsepsi tentang AI, menamai konsep yang relevan, dan mentransfer ke fenomena analog. Pada 59 lulusan sekolah menengah yang mengerjakan dua butir konseptual, agen berpusat siswa menghasilkan skor posttest lebih tinggi (9.67 vs. 7.93; r = 0.38), beban kognitif ekstraneus lebih rendah dan germane lebih tinggi, pengalaman flow lebih kuat (d = 0.92), dan persepsi empati lebih tinggi (r = 0.53) — bukti bahwa pembingkaian peran, bukan hanya akurasi jawaban, yang membuat agen fisika efektif secara instruksional (Agen Pedagogis, Rekayasa Prompt).

• Skor tolok ukur meremehkan apa yang sudah dapat dilakukan model dalam fisika. Penilaian ulang enam tolok ukur fisika yang banyak digunakan bersama pakar domain menemukan bahwa sebagian besar kekurangan yang dilaporkan adalah artefak butir cacat dan penilai otomatis yang terlalu ketat: dari 250 penolakan yang diaudit, 143 (57.20%) adalah cacat tolok ukur dan 95 (38.00%) kesalahan penilai, dengan hanya 12 (4.80%) kesalahan model yang sesungguhnya. Setelah dikoreksi, mean@4 HLE-Physics naik dari 47.28% ke 78.66% dan CritPt dari 32.29% ke 87.50%. Bagi pengajaran fisika hal ini berbilah dua: artinya siswa kini dapat memperoleh solusi teks setingkat pakar untuk banyak soal kanonik, sehingga penilaian penalaran fisika perlu bergeser ke butir yang menahan kontaminasi tolok ukur dan ke bukti proses alih-alih jawaban akhir. (How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks)

• Penilaian AI dapat mereproduksi hasil fisika berisiko tinggi tanpa cocok pada setiap bagian. Dalam menilai 10,364 halaman tulisan tangan olimpiade dan universitas, sebuah LLM multimodal memulihkan tim olimpiade lima siswa yang sama dengan para pemeriksa dan berkorelasi dengan total pada r = 0.93–0.96, tetapi kesepakatan bagian soal yang tepat mencapai 70% — pembacaan kedua yang dikendalikan pemeriksa, bukan penggantian (Pathak et al. (2026)).

• Tolok ukur fisika dapat berlandaskan kurikulum dan non-Inggris. Jahin et al. (2026) membangun 1,834 pertanyaan Bengali dari buku teks fisika nasional Grade 9-10 dan graf pengetahuan 1,760 simpul; satu resep penyetelan halus yang tetap memperoleh tambahan 5.5, 15.0, dan 23.3 poin pada 0.6B, 1.7B, dan 4B parameter.

Koneksi ke konsep terkait

Pendidikan fisika berada dalam domain Pendidikan STEM yang lebih luas tetapi memiliki koneksi khas: ke Metode Sokratis melalui tradisi kuat dialog Sokratik dalam pemecahan masalah fisika; ke Berpikir Komputasional melalui peran komputasi yang semakin besar dalam fisika; ke Validitas Penilaian melalui tantangan penilaian penjelasan fisika; dan ke Pembelajaran di Tempat Kerja melalui persiapan berbasis Simulasi. Konsep Pengalaman Siswa dan Literasi AI esensial untuk memahami bagaimana siswa fisika menavigasi alat AI, sementara Pengukuran Pendidikan dan penilaian otomatis terhubung ke dimensi penilaian.

Implikasi bagi Instruktur Fisika

• Rancang untuk kepercayaan siswa, bukan sekadar adopsi. Fouad & Bentley mendokumentasikan kesenjangan kepercayaan-kegunaan 50 poin (91% menggunakan, 41% memercayai), dengan siswa mengidentifikasi kegagalan AI dalam penalaran visual-spasial dan rangkaian listrik — ciptakan kesempatan untuk memaparkan dan membahas batas-batas ini alih-alih mengasumsikan penerimaan.

• Gunakan AI Sokratik untuk memperdalam kualitas pertanyaan, tetapi waspadai penyerahan strategis. Chatbot Sokratik meningkatkan kekhususan pertanyaan, namun penelitian taksonomi menemukan giliran meta-prosedural mendominasi — siswa menyerahkan kendali strategis kepada tutor. Intervensi agar siswa tetap menjadi pengambil keputusan.

• Tutor yang dirancang baik mengalahkan pembelajaran aktif di kelas. Kestin et al. (2025) menemukan bahwa 194 mahasiswa ilmu kehidupan Harvard belajar lebih banyak dari tutor AI mata kuliah itu sendiri daripada dari pelajaran pembelajaran aktif berbasis penelitian yang mencakup materi yang sama (median posttest 4.5 vs. 3.5), dengan keterlibatan dan motivasi yang dilaporkan lebih tinggi, berkat prompt yang dirancang pakar dan soal berurutan di platform, bukan teknologinya semata.

• Strukturkan penggunaan AI secara kognitif, bukan hanya secara permisif. AIRIS (Activate–Inquire–Reflect) menunjukkan nilai membiarkan siswa memprediksi/menguraikan sebelum AI, menyerahkan langkah komputasional sambil membandingkan keluaran secara kritis, dan merenung sesudahnya — perlakukan integrasi AI sebagai masalah desain instruksional, dan uji apakah pembelajaran bertahan ketika AI dihapus. Dalam uji acak dengan 95 mahasiswa sarjana, 45 menit pelatihan selaras SRL pada soal mekanika menaikkan akurasi ketika siswa kemudian merevisi butir elektromagnetisme dengan model: 69.3% jawaban salah mereka menjadi benar berbanding 41.3% pada kontrol tanpa pelatihan (d = 0.81) (Huang et al. (2026)).

• Cegah bias penilaian. Penilaian AI secara sistematis meremehkan penjelasan siswa yang lebih lemah secara linguistik; gunakan penilaian yang sadar bahasa atau dimoderasi manusia untuk penilaian konseptual.

• Gunakan kelas tersimulasi untuk persiapan guru. Kelas multi-agen tersimulasi memberi calon guru latihan langka untuk merespons penalaran siswa yang autentik — pelengkap berbiaya rendah bagi microteaching langsung.

• Sisakan latihan dan penilaian tanpa bantuan. Rancangan ulang Bochum (Mikhasenko et al. 2026) menunjukkan bahwa pekerjaan rumah berbentuk penelitian yang mengizinkan AI dan diselesaikan dengan keterlibatan tinggi dapat meninggalkan siswa jauh tertinggal pada ujian tanpa bantuan (rata-rata 20.6/80) — perlakukan kinerja terbantu dan pengetahuan yang dapat diambil kembali secara mandiri sebagai hal berbeda, dan bangun latihan tanpa bantuan yang disengaja serta ujian tertulis ke dalam mata kuliah.

• Verifikasi kesetiaan fasilitator; pertahankan fase pembangunan model bebas AI. Ketika didesak "katakan saja" massa mana yang lebih berat, sebuah Gem yang dikonfigurasi khusus mengarang nilai massa yang tidak pernah diukur siapa pun, sehingga kesetiaan fasilitator berbasis bahasa harus diperiksa alih-alih diasumsikan, dan fase pembangunan bebas AI mempertahankan kerja praktik yang tidak dapat dijangkau AI (Tufino & Damiani (2026)).

Miskonsepsi Umum

• "Siswa memercayai AI cukup untuk mengandalkannya tanpa kritis." Fouad dan Bentley menemukan kesenjangan kepercayaan-kegunaan 50 poin: 91% menggunakan AI untuk tugas kuliah tetapi hanya 41% memercayainya. Penggunaan yang luas hidup berdampingan dengan kepercayaan yang rendah, sehingga intervensi yang bertujuan membangun antusiasme menangani variabel yang salah.
• "Siswa fisika adalah satu populasi." Becker et al. mengembangkan tipologi dua profil dari 1,189 respons survei: 70% "Pengguna Pragmatis" dan 30% "Bukan-Pengguna Skeptis". Satu kebijakan kelas harus melayani dua kelompok dengan sikap yang berlawanan.
• "Kesenjangan antara penggunaan dan kepercayaan itu irasional." Kedua angka mengukur hal yang berbeda — apakah alat itu membantu Anda menyelesaikan pekerjaan, dan apakah Anda percaya alat itu melakukannya dengan benar. Siswa membedakan kegunaan dari keandalan, yang merupakan pembedaan analitis yang tepat dan bukan kontradiksi.

Konsep terkait

• Pendidikan STEM
• Metode Sokratis
• Tutoring Cerdas
• Berpikir Komputasional
• Literasi AI
• Kalibrasi Kepercayaan
• Pengalaman Siswa
• Validitas Penilaian
• Mitigasi Bias
• Keadilan
• Penilaian Otomatis
• Pengukuran Pendidikan
• Analitik Pembelajaran
• Pembelajaran di Tempat Kerja
• Simulasi
• AI Generatif
• Pendidikan Tinggi
• AIEd dalam Disiplin Ilmu
• Pendidikan Kimia — Pendidikan kimia dan AI: laboratorium, penilaian formatif, batas LLM, filsafat eksperimen
• Pendidikan Biologi — Pendidikan biologi dan AI: asisten pengajar laboratorium, literasi AI dalam biologi, berpikir kritis, alat khusus

Artikel terkait

• Modeling high school students' acceptance of GenAI for physics learning via an extended technology acceptance model: Disciplinary beliefs as a distal antecedent — Penerimaan GenAI dimodelkan pada fisika Grade 10
• From Prompts to Physical Laws: A Generative AI Workflow for Engineering Physics Education — Dari Prompt ke Hukum Fisika: Alur Kerja AI Generatif untuk Pendidikan Fisika Teknik
• Comparing teacher-centered and student-centered agents based on prompt engineering: Effects on learning performance, cognitive load, flow experience, and empathy perception in physics learning — Agen fisika berpusat guru vs. berpusat siswa yang dirancang melalui prompt (Wang et al. 2026)
• OmniPhys: A Unified Multimodal Benchmark for Physics Understanding and Generation from Chinese Educational Corpora
• Leveraging AI for Rapid Generation of Physics Simulations in Education: Building Your Own Virtual Lab — Menggunakan AI untuk menghasilkan simulasi fisika / laboratorium virtual dengan cepat (Ben-Zion et al. 2025)
• Analyzing Undergraduate Problem-Solving in Physics Through Interaction With an AI Chatbot
• A Bottom-Up Taxonomy of Student Discourse with a Socratic AI Physics Tutor
• Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration
• Pragmatic users and skeptical nonusers: A qualitative typology of ChatGPT adoption in physics education
• Using LLMs to Detect Growth in Computational Thinking in Introductory Physics
• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics
• A multi-agent AI classroom based on dual-process reasoning hazards: a pilot with prospective physics teachers
• Students' Epistemological Beliefs and their Chatbot Preferences in AI-mediated Physics Learning
• Studying Circular Motion with an AI-Generated Smartphone Physics Lab
• From Prompt to Embodied Simulation: Using Generative AI to Create AR Physics Learning Tools
• Embodied Inquiry with AI as Facilitator: An Exploratory Case Study
• Probing AI-Generated Physics Solutions and Preparing Students to Critique Them
• Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing
• It's Not the Tool, It's the Task: A Framework for Cognitively Activated AI Augmentation in Physics Instruction — AIRIS: Kerangka untuk Augmentasi AI yang Teraktivasi secara Kognitif dalam Fisika
• Large Scale AI Grading of Handwritten Physics Assessments: Score Agreement and Olympiad Team Selection Outcomes — Penilaian AI atas asesmen fisika tulisan tangan (Olimpiade)
• AI in Particle Physics Education: Research Problems and Foundational Skills — AI dalam Pendidikan Fisika Partikel: Masalah Penelitian dan Keterampilan Fondasional
• Mechanics Cognitive Diagnostic: Testing Fine-Grained Learning Objectives in Introductory Physics — Mechanics Cognitive Diagnostic: mengubah FCI, FMCE, dan EMCS menjadi diagnostik kognitif 14 tujuan (Le et al. 2026)
• Skepticism vs. Convenience: Physics Students' Perceptions and Use of Large Language Models Before and After Instruction — Skeptisisme vs. Kenyamanan: Persepsi dan Penggunaan Large Language Model oleh Siswa Fisika Sebelum dan Sesudah Pengajaran
• AI-Assisted Assessment of Experimental Physics Laboratory Reports: Potential, Limitations, and Support for Teaching Practice — Penilaian Berbantuan AI atas Laporan Laboratorium Fisika Eksperimen: Potensi, Keterbatasan, dan Dukungan bagi Praktik Pengajaran
• PhysicsMate: A Curriculum-Grounded Bengali Benchmark for Secondary Physics QA with Small-Model Adaptation — PhysicsMate: 1,834 pasangan tanya-jawab fisika sekolah menengah Bengali yang dipetakan ke graf kurikulum 1,760 simpul, dengan keuntungan adaptasi model kecil
• Artificial intelligence in university physics education: a systematic review of empirical studies — Kecerdasan buatan dalam pendidikan fisika universitas: tinjauan sistematis studi empiris
• From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education — Pelatihan GenAI terstruktur untuk revisi soal fisika: uji acak terkendali (Huang et al. 2026)
• AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting — Tutor yang dirancang baik mengalahkan pembelajaran aktif di kelas
• GenAI-based metacognitive prompting in collaborative inquiry: A comparison across diverse preconception groups — Prakonsepsi energi menentukan posisi negosiasi kueri AI dalam jaringan kelompok: simpul integrasi ketika anggota tidak sepakat, jalur linier kueri-lalu-baca ketika mereka sepakat (Wang et al. 2026)