Basis Pengetahuan AIEdAIEd KB
Di halaman ini

Baca halaman ini dalam bahasa Inggris

Konsep

Penelitian Kualitatif

Dibuat 2026-08-24 · Diperbarui 2026-11-04

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

Penelitian kualitatif — keluarga metode empiris yang mempelajari bagaimana orang mengalami, menafsirkan, dan memaknai fenomena, biasanya melalui kata-kata, observasi, dan artefak alih-alih angka. Dalam AI dalam pendidikan, metode kualitatif mengungkap bagaimana siswa dan guru benar-benar mengalami alat AI — makna, ketegangan, kerugian, dan mekanisme yang terlewat oleh ukuran terstandardisasi. Karena AI dalam pendidikan bergerak cepat dan efeknya sering dimediasi oleh konteks, persepsi, dan konstruk yang diperdebatkan seperti Kepercayaan dan Agensi Pembelajar, kerja kualitatif sangat penting di samping desain kuantitatif (lihat Metode Penelitian dalam AIED).

Pertanyaan yang Perlu Dipertimbangkan

  • Sebuah survei memberi tahu Anda bahwa 40% siswa tidak memercayai tutor AI; sebuah kelompok fokus memberi tahu Anda mengapa mereka tidak memercayainya. Angka mana yang terasa lebih dapat ditindaklanjuti bagi Anda, dan apa yang ditambahkan oleh 'mengapa' yang tidak dapat diberikan oleh persentase itu?
  • Temuan kualitatif biasanya tidak dapat digeneralisasi secara statistik, namun sering kali 'dapat digeneralisasi secara konseptual' — mekanisme dan dinamika yang berpindah ke tempat lain. Sebelum Anda membaca, apa artinya sebuah temuan dapat digeneralisasi secara konsep tetapi tidak secara statistik?
  • Halaman ini memperingatkan bahwa kesepakatan pengodean manusia–LLM bukanlah sama dengan kualitas pengodean ketika konsensus manusia bukan kebenaran dasar. Pernahkah Anda memperlakukan 'dua peninjau sepakat' sebagai bukti bahwa sesuatu itu benar? Kapan kesepakatan menjadi sinyal kebenaran, dan kapan ia hanya kesalahan bersama?
  • Jika AI kini dapat membantu pengodean kualitatif dalam skala besar, apakah itu mengancam kedalaman interpretatif yang membuat penelitian kualitatif bernilai, atau hanya mengotomatiskan pekerjaan membosankannya? Bagaimana Anda memutuskan mana yang sedang terjadi dalam sebuah studi tertentu?
  • Kerja kualitatif memusatkan suara-suara yang kurang terwakili — siswa minoritas etnis, nonpengguna yang skeptis — yang sering terlewat oleh survei besar. Pikirkan sebuah klaim AI dalam pendidikan yang pernah Anda dengar. Pengalaman siapa atas klaim itu yang mungkin tidak tertangkap oleh angka utama?
  • Pilih satu konstruk yang diperdebatkan yang Anda pedulikan — kepercayaan, agensi, atau kerugian. Sebelum membaca, sketsakan bagaimana Anda akan mempelajarinya dengan kata-kata dan observasi alih-alih angka, dan catat apa yang akan Anda kehilangan dengan melakukannya.

Pendahuluan

Penelitian kualitatif bukanlah satu metode tunggal melainkan sebuah keluarga yang diorganisasi oleh apa yang dipelajari dan bagaimana bukti dikumpulkan dan dianalisis. Yang menyatukan mereka adalah penekanan pada pemaknaan, konteks, dan kedalaman alih-alih keluasan dan kendali kausal. Temuan kualitatif biasanya tidak dapat digeneralisasi dalam pengertian statistik, tetapi sering kali dapat digeneralisasi secara konseptual — mengungkap mekanisme, kategori, dan dinamika yang berpindah ke latar lain. Dalam korpus basis pengetahuan ini, kerja kualitatif menonjol untuk mempelajari penerimaan AI, kepercayaan, kerugian, praktik pengajaran, dan proses belajar.

Pendekatan kualitatif utama

Analisis tematik

Analisis tematik mengidentifikasi, mengodekan, dan menafsirkan pola ("tema") di seluruh data kualitatif — biasanya transkrip wawancara atau kelompok fokus, respons survei terbuka, atau dokumen. Ini adalah pendekatan yang paling luas digunakan dalam studi kualitatif basis pengetahuan ini. Wawancara dan respons terbuka itu sendiri merupakan data laporan diri, sehingga keduanya berbagi batas tentang apa yang dapat diklaim mengenai perilaku — lihat halaman itu untuk mengetahui di mana bukti laporan diri kuat dan di mana ia runtuh. Sebuah studi tentang celah kepercayaan–kegunaan dalam fisika menggunakan analisis tematik atas data wawancara siswa untuk mengungkap skeptisisme dan preferensi adopsi yang khas domain; sebuah perbandingan umpan balik GenAI vs. guru menganalisis persepsi siswa tentang kegunaan dan kepercayaan; dan pedoman pembelajaran AI untuk orang dewasa menurunkan prinsip desain dari pengodean tematik atas masukan pakar dan siswa. Bagaimana AI mengubah alur kerja pengajaran bersandar pada analisis tematik atas kisah para pendidik.

Keandalan pengodean dapat dijadikan prosedur yang berlangsung terus-menerus alih-alih pemeriksaan sekali jalan. Galiç et al. (2026) mengodekan 304 pernyataan noticing pada α Krippendorff = .803, memantau kesepakatan pada lima kasus yang tumpang tindih (κ gabungan = 0.937), dan mengodekan ulang pernyataan yang diperdebatkan setiap kali kesepakatan turun di bawah ambang kalibrasi ulang 0.85 sebelum melanjutkan; pernyataan yang telah dikodekan kemudian masuk ke analisis jaringan epistemik yang memodelkan dimensi mana yang muncul bersamaan alih-alih daftar tema yang datar.

Teori berakar

Teori berakar (grounded theory) membangun teori dari data alih-alih menguji kerangka apriori, menggunakan pengodean iteratif (terbuka → aksial → selektif) hingga saturasi teoretis. Ia ideal untuk mengonstruksi teori baru tentang fenomena AI dalam pendidikan yang baru muncul. Liu et al. mengembangkan teori berakar tentang alat, tutor, atau kruk — tipologi tiga mode tentang bagaimana siswa secara kognitif menopang atau mengalihkan beban ke AI dalam pendidikan pemrograman — yang secara langsung membangun teori tentang Offloading Kognitif. Sebuah studi teori berakar tentang tutor AI kritis menelaah apakah tutor semacam itu memberdayakan atau memperbudak siswa. Desain umpan balik GenAI yang berpusat pada manusia menggunakan analisis berakar di seluruh studi multisitus. Lihat juga Pengembangan Teori dalam AI dalam Pendidikan untuk bagaimana teori berakar semacam itu menyuplai pembangunan teori di bidang ini.

Fenomenologi dan fenomenografi

Pendekatan fenomenologis mempelajari pengalaman hidup sebuah fenomena — bagaimana rasanya belajar dengan AI — sementara fenomenografi mempelajari cara-cara yang berbeda secara kualitatif dalam mengalami dan memahami sebuah fenomena (menghasilkan "kategori deskripsi"). Baseline Kognitif yang Absen bersandar pada pengalaman hidup siswa tentang penilaian diri di bawah AI untuk membangun teori tentang celah struktural; sebuah studi fenomenologis menangkap pengalaman menyelesaikan pekerjaan dengan AI sambil secara sadar tidak memahaminya; dan sebuah studi interpretatif sosio-kultural menganalisis bagaimana GenAI menjadi "objek yang lepas kendali" dalam praktik akademik matematika.

Analisis wacana

Analisis wacana menelaah bagaimana bahasa-dalam-penggunaan mengonstruksi makna, identitas, dan kekuasaan — menganalisis percakapan kelas, teks tertulis, atau urutan interaksi. NSPA melakukan analisis wacana kelas berhorizon panjang (di sini dibantu secara komputasional) untuk mengurangi bias dialek dalam memahami interaksi kelas; sebuah studi tentang siswa persiapan minoritas etnis menganalisis wacana kolaboratif dalam tugas Rekayasa Prompt. Analisis wacana menjembatani interpretasi kualitatif dengan metode komputasional bila digabungkan dengan NLP Pendidikan.

Poudyal (2026) menunjukkan bagaimana pengodean wacana menjadi dapat diaudit ketika dirender sebagai aturan yang dapat dihitung: di seluruh 366 abstrak dan 91,405 token, sebuah asosiasi dihitung hanya ketika seorang aktor mendahului predikat dalam jarak enam kata di antaranya, dan kedekatan nominal dikecualikan sehingga "tata kelola AI" tidak pernah dihitung sebagai bukti bahwa AI memerintah — sebuah aproksimasi berbasis aturan, bukan penguraian dependensi, yang batas-batasnya dinyatakan oleh desainnya.

Observasi dan etnografi

Studi observasi mengamati perilaku dalam konteks; etnografi memperluasnya menjadi studi yang berkelanjutan dan imersif atas suatu latar, sering dengan peneliti sebagai pengamat-partisipan. Sebuah trio-etnografi atas pendidikan pemrograman yang didukung LLM melacak bagaimana interpretasi siswa berkembang; sebuah studi kasus kelas mengamati integrasi Literasi AI dalam biologi. Metode observasi menangkap perilaku aktual (apa yang dilakukan siswa dengan AI) alih-alih perilaku yang dilaporkan — melengkapi survei laporan diri yang mendominasi pengukuran kuantitatif sikap.

Studi kasus

Studi kasus adalah penyelidikan mendalam atas kasus yang berbatas (sebuah mata kuliah, sebuah institusi, seorang siswa) menggunakan berbagai sumber data. Sebuah studi kasus sekolah bisnis menghasilkan kerangka pengajaran dan pembelajaran yang diinformasikan siswa untuk GenAI; sebuah studi kasus biologi mendokumentasikan integrasi literasi AI. Studi kasus menukar keluasan dengan kedalaman dan kuat untuk pembangkitan teori serta wawasan yang dapat dipindahkan alih-alih generalisasi. Khlaif et al. (2026) menawarkan studi kasus kualitatif atas 21 mahasiswa tunanetra di tiga universitas Palestina, menggunakan analisis tematik atas wawancara semiterstruktur untuk menunjukkan bagaimana GenAI berfungsi sebagai teknologi bantu bagi pembelajaran inklusif — sebuah contoh penelitian studi kasus yang mengungkap mekanisme (adaptasi personal, augmentasi guru, kesetaraan pendidikan) yang terlewat oleh ukuran kuantitatif.

  • Variasi yang dipilih bukanlah variasi yang ditemukan: tiga siswa EFL, dipilih dari 241 siswa yang disurvei karena perbedaan kemahiran, gender, dan riwayat GenAI, mengikuti lintasan emosional yang sangat berbeda di tiga tugas, namun kasus variasi maksimum tidak dapat mengestimasi seberapa umum suatu lintasan (Wu, Yang dan Lin (2026)).

Swidan (2026) mentriangulasi video, log sistem peringatan itu sendiri, dan wawancara stimulus-recall untuk satu guru dan delapan siswa, menunjukkan bahwa sinyal afektif memperoleh makna hanya melalui respons guru; pengodean episode dua tahap oleh satu penulis, tanpa pengodean independen atau deteksi afek yang tervalidasi, menandai batas apa yang dapat dijamin oleh analisis kasus satu-pengode.

Wawancara dan kelompok fokus

Wawancara semiterstruktur dan kelompok fokus adalah instrumen pengumpulan data utama di seluruh pendekatan di atas. Keduanya memunculkan kisah yang kaya dan kontekstual. Korpus kualitatif basis pengetahuan ini sebagian besar dibangun di atas wawancara (mis., jalur keahlian) dan kelompok fokus (mis., paradoks kompetensi teks-ke-gambar, Guidelines for Designing AI Technologies to Support Adult Learning). Kualitas bergantung pada desain pertanyaan yang cermat, pengambilan sampel untuk variasi, dan analisis yang ketat.

Bagaimana penelitian kualitatif muncul dalam basis pengetahuan

AI dan analisis kualitatif

Perkembangan terkini yang khas adalah menggunakan LLM untuk membantu pengodean kualitatif. Bukti dari basis pengetahuan ini bersifat memperingatkan: Comparing human and LLM ordered coding of qualitative data: How coding differences cascade through temporal analysis menunjukkan pengodean LLM dan manusia menyimpang, dengan galat yang menjalar melalui analisis temporal; Kesepakatan Bukan Kualitas menunjukkan bahwa kesepakatan pengodean manusia–LLM bukanlah sama dengan kualitas pengodean ketika konsensus manusia bukan kebenaran dasar. Pengodean berbantuan LLM dapat menskalakan dan mempercepat analisis kualitatif, tetapi keluarannya memerlukan verifikasi terhadap pertimbangan manusia — sebuah persinggungan penting antara penelitian kualitatif dengan NLP Pendidikan dan Evaluasi AI dalam Pendidikan.

Masalah keluaran yang lancar dan kelayakan jaminan. Holster (2026) mempertajam mengapa akurasi dan pengungkapan merupakan standar yang tidak memadai untuk kerja kualitatif berbantuan AI. Karena LLM menyusun ulang korpus dalam hitungan menit menjadi topik, kutipan, dan klaim prevalensi yang lancar, mereka dapat menyembunyikan jalur analitik yang menghasilkannya — dan orang cenderung menilai keluaran yang lancar dan mudah diproses sebagai lebih benar. Holster mengusulkan warrantability sebagai pelengkap akurasi dan pengungkapan: sebuah interpretasi berbantuan AI bersifat warrantable ketika jalur dari data sumber ke klaim tetap dapat diperiksa, dapat diperdebatkan, dan dapat direvisi. Mesin konstruktifnya adalah lensa semantik (reorganisasi korpus yang terdokumentasi di berbagai tingkat abstraksi) dan repertoar artefak warrant yang relatif terhadap klaim — tabel topik yang tertaut ke sumber, tumpukan lensa, dan sungai bukti — yang dirancang ke dalam alat sehingga analisis yang lancar juga menghasilkan catatan jalur yang dapat ditelusuri kembali. Hal ini memperluas tradisi jejak audit bidang ini ke era generatif dan memberi peninjau sesuatu yang konkret untuk diperdebatkan melampaui interpretasi akhir.

  • Keandalan bukan akurasi dalam pengodean LLM multi-agen. Sebuah pipeline berbasis literatur di mana dua pengode AI mengodekan secara independen, berdebat, dan merekonsiliasi perbedaan menghasilkan kesepakatan antar-pengode di atas kappa Cohen 0.85 pada setiap kumpulan data dan label sementara F1 kriteria berkisar dari 0.31 hingga 0.89 (rata-rata 0.68, SD 0.16) — kesepakatan tinggi antara agen yang keduanya salah. Buku kode yang lebih panjang (t = -11.702) dan kutipan yang lebih mirip (t = -9.249) menurunkan akurasi awal, dan giliran diskusi berkorelasi positif dengan akurasi (t = 7.997) sementara konflik yang terselesaikan dengan benar dan mode berkolaborasi berkorelasi negatif (t = -9.720 dan -8.420), sehingga konvergensi adalah proksi lemah bagi kebenaran. Implikasi praktisnya adalah bahwa pengodean berbantuan AI memerlukan adjudikasi tingkat daftar periksa terhadap rujukan manusia alih-alih kesepakatan antar-agen sebagai sinyal kualitasnya. (How AI Coders Discuss, Disagree, and Reach Consensus: Challenges and Opportunities for LLM-Based Qualitative Coding)

Kekuatan dan keterbatasan

  • Kekuatan: wawasan ekologis dan konseptual yang mendalam; mengungkap fenomena, risiko, dan mekanisme yang tidak terduga; penting untuk pembangunan teori (lihat Pengembangan Teori dalam AI dalam Pendidikan); menangkap makna, konteks, dan konstruk yang diperdebatkan; memusatkan perspektif yang kurang terwakili; kuat untuk mempelajari fenomena yang bergerak cepat di mana ukuran terstandardisasi tertinggal.
  • Keterbatasan: keterbatasan generalisasi statistik; bergantung pada interpretasi dan peneliti (masalah keandalan); sampel kecil; dukungan lebih lemah untuk klaim kausal; temuan bisa sulit disintesiskan lintas studi; memakan waktu dan tenaga.

Metode kualitatif dan kuantitatif saling melengkapi, bukan bersaing — lihat Metode Penelitian dalam AIED untuk bagaimana keduanya berkontras dan mentriangulasi, dan metode campuran untuk desain yang menggabungkannya.

Miskonsepsi Umum

"Temuan kualitatif tidak dapat digeneralisasi karena sampelnya kecil." Temuan itu biasanya tidak dapat digeneralisasi secara statistik dan sering kali dapat digeneralisasi secara konseptual — mekanisme dan dinamika yang diidentifikasinya berpindah ke latar lain bahkan ketika frekuensinya tidak. Sebuah kelompok fokus yang menjelaskan mengapa siswa tidak memercayai tutor telah menghasilkan mekanisme yang tidak dapat dihasilkan survei, dan membuangnya karena tidak memiliki interval kepercayaan berarti membuang bagian yang dapat berpindah.

"AI kini dapat melakukan analisis kualitatif, jadi metodenya dapat diskalakan." Yang diskalakan adalah pengodean, dan bukan interpretasinya. Di tempat korpus menunjukkan ini bekerja baik, itu karena tugas pengodean dibuat sebanding lebih dahulu — satu studi menerapkan 15 vinyet tetap di seluruh kebijakan publik 20 universitas untuk menghasilkan 300 klasifikasi yang sebanding, yang merupakan desain instrumen terstruktur alih-alih desain interpretatif terbuka. Wawasan dalam kerja kualitatif ada pada konstruksi kategori, dan itulah yang diwarisi model alih-alih dihasilkannya.

"Saturasi adalah sifat dari jumlah peserta." Ia adalah sifat dari analisis: Anda berhenti ketika data baru berhenti menghasilkan kode baru. Dua studi dengan ukuran sampel identik dapat sama jauhnya dari saturasi, itulah sebabnya laporan yang mengutip jumlah peserta sebagai bukti kecukupan belum menunjukkan apa pun tentang cakupan.

"Temuan kuantitatif dan kualitatif saling bersaing." Keduanya menjawab pertanyaan yang berbeda: survei memberi tahu berapa banyak siswa yang tidak memercayai tutor, dan wawancara memberi tahu mengapa. Memperlakukan keduanya sebagai kisah yang bersaing tentang hal yang sama menghasilkan pilihan palsu yang terus direproduksi bagian tinjauan.

Konsep terkait

Artikel terkait

Metadata

Desain studiInterviews, Case Study
Metode riset dan evaluasiPenelitian Kualitatif, Metode Penelitian dalam AIED
SumberRiwayatSuntingObrolan

Sematkan halaman ini

Salin kode di bawah untuk menyematkan halaman ini di sistem manajemen pembelajaran atau situs web lain. Versi yang disematkan hanya menampilkan konten halaman — header, navigasi, dan footer situs disembunyikan.