Perancah

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

Perancah — dukungan terstruktur yang membantu siswa menyelesaikan tugas yang belum dapat mereka selesaikan sendiri, dengan dukungan yang memudar seiring tumbuhnya kompetensi. Dalam AI dalam Pendidikan, perancah adalah prinsip desain utama untuk memastikan alat AI mendukung pembelajaran alih-alih menggantikannya.

Pertanyaan yang Perlu Dipertimbangkan

• Pikirkan suatu saat ketika seseorang 'membantu' Anda mengerjakan sesuatu yang sedang Anda pelajari, dan bantuan itu mengerjakan pekerjaannya begitu baik sehingga Anda belajar lebih sedikit. Di mana batas antara dukungan yang memungkinkan Anda tumbuh dan dukungan yang menggantikan Anda? Halaman ini berargumen bahwa inilah pertanyaan desain sentral bagi tutor AI.
• Perancah berakar pada Zona Perkembangan Proksimal — dukungan yang cukup untuk memungkinkan kemajuan, tetapi tidak berlebihan hingga pembelajaran terlewati. Seperti apa 'dukungan berlebihan' dalam tutor AI, dan dapatkah Anda mendeteksinya hanya dari perilaku siswa?
• Temuan kunci: siswa sering kali lebih menyukai peran tutor AI yang lebih direktif meskipun mereka berkinerja lebih baik dengan peran sejawat kolaboratif dan asisten peran guru. Apakah preferensi pembelajar secara andal mengikuti apa yang terbaik bagi pembelajaran — dan apa implikasi perbedaan ini bagi pemberian kebebasan kepada siswa untuk memilih perancahnya sendiri?
• Perancah yang tidak pernah memudar menciptakan ketergantungan. Halaman ini mencatat bahwa perancah otomatis berisiko tetap statis alih-alih ditarik saat kompetensi tumbuh. Mengapa 'pemudaran' esensial, dan mengapa sistem AI bisa gagal melakukannya jika tidak dirancang secara sengaja untuk itu?
• Prinsip desainnya adalah 'beri perancah, jangan menggantikan.' Siswa sendiri meminta AI yang 'tidak memberikan solusi apa pun untuk Anda — Anda tetap belajar karena Anda harus menemukan jawaban yang benar sendiri.' Apakah itu sesuai dengan pengalaman Anda tentang bantuan yang efektif, atau Anda pernah lebih memilih jalan pintas meskipun tahu itu merugikan Anda?
• Tetapkan tujuan sebelum membaca: pilih satu tugas yang Anda ajarkan, dan buat sketsa seperti apa petunjuk yang mempertahankan usaha siswa versus jawaban yang menghapusnya. Bagaimana Anda akan tahu bahwa petunjuk Anda berada di zona pergulatan produktif?

Pendahuluan

Bagaimana perancah muncul dalam AIED

• Perancah berbasis prompt: Perancah LLM terpandu mengajarkan rekayasa prompt terstruktur sebagai intervensi pembelajaran. Perancah keterlibatan kritis menggunakan pendekatan yang responsif secara budaya.

• Perancah inisiatif campuran untuk celah yang tidak dapat dinamai pembelajar: Sun dan rekan (2026) membiarkan penulis tetap memegang kendali atas sintesis naratif sementara sistem hanya mengambil inisiatif atas penemuan domain, secara proaktif menandai celah pengetahuan yang tidak dapat dirumuskan penulis sebagai kueri.

• Perancah Sokratik: dialog AI Sokratik menahan jawaban langsung, menggunakan pertanyaan untuk memandu penemuan — suatu bentuk perancah kesulitan yang diinginkan. Sebagai syarat batas, bertanya membantu pada awal tetapi melemah seiring kedalaman, sehingga aturan pemudaran bergeser dari menggali menjadi menangani kesalahan: manfaatnya turun dari keunggulan 20 poin pada awal menjadi 3 poin pada giliran macet keempat, sementara menangani kesalahan naik dari +5 menjadi +12 Ahtisham dan rekan (2026).

• Pemudaran adaptif: Sistem tutor cerdas menyesuaikan perancah berdasarkan estimasi Pelacakan Pengetahuan, memberikan lebih banyak dukungan untuk konsep yang belum dikuasai dan lebih sedikit untuk yang sudah diketahui.

• Fungsi, bukan alat, yang menentukan apa yang dihitung sebagai keberhasilan: Vasileiou dan rekan (2026) mengusulkan kerangka tiga fungsi untuk dukungan AI dalam pendidikan khusus. Kompensasi mengurangi tuntutan fungsi eksekutif agar pembelajar dapat berpartisipasi (keberhasilan = akses selama dukungan tetap ada). Perancah mendukung kinerja tepat di luar kemampuan saat ini (keberhasilan = keputusan dengan bantuan yang tertarget). Pengembangan membangun strategi yang dapat digunakan tanpa alat itu (keberhasilan = penggunaan strategi setelah pemudaran atau transfer). Setiap fungsi membawa standar evaluasi yang berbeda, dan kesalahan yang berulang di bidang ini adalah melaporkan penyelesaian tugas selama dukungan sebagai pengembangan. Ini adalah tinjauan naratif dengan kategori interpretatif, bukan estimasi efek gabungan.

• Perancah adaptif yang dipicu kebutuhan dalam pelatihan wawancara klinis: uji acak MeduAI-SP (Yang dan rekan, 2026; N = 100 mahasiswa kedokteran tahun ketiga) mengoperasionalkan perancah sebagai dukungan adaptif yang dipicu kebutuhan: agen evaluator tingkat giliran menandai ketika pembelajar macet, melewatkan riwayat kunci, berisiko menutup terlalu dini, atau merusak rapport, dan hanya setelah itu agen tutor mengeluarkan prompt Sokratik. Anotasi ahli atas 207 konsultasi menunjukkan bahwa kebutuhan perancah sangat bergantung pada fase, naik dari sekitar 16.1% ujaran siswa pada awal pertemuan menjadi 34.8% pada akhir (24.1% ditandai secara keseluruhan) — bukti empiris bahwa dukungan konsultasi bagi pemula paling dibutuhkan selama integrasi dan penalaran diagnostik, bukan pada pengumpulan informasi awal. Kondisi perancah mengungguli kontrol pengungkapan progresif terstruktur pada ujian akhir yang selaras OSCE (71.8% vs. 55.6%; β = 16.4 poin persentase; P = 3.30e-4), dengan keuntungan terbesar pada komunikasi (Hedges' g = −0.79).

• Sistem petunjuk: penelitian petunjuk tutor AI menelaah kapan petunjuk membantu versus kapan petunjuk mendorong Ketergantungan Berlebih.

• Perancah yang meningkatkan pemulihan pasca-kesalahan. Dalam eksperimen lapangan di sekolah menengah dengan 6,000 siswa, dukungan AI memperlambat kemajuan dan mengurangi jumlah soal yang dicoba tetapi meningkatkan kebenaran percobaan berikutnya setelah kesalahan dan mengurangi jumlah percobaan yang dibutuhkan untuk kembali ke jawaban benar — "perlambatan produktif" alih-alih penyediaan jawaban (Oreopoulos dan rekan (2026)).

• Melatih pembelajar itu sendiri adalah perancah. Sesi 45 menit yang mengajari siswa meminta prompt kepada model menurut fase SRL, dan memperbaiki kesalahan visual serta penalarannya, menaikkan akurasi revisi fisika (d = 0.81) tanpa menambah total beban kognitif yang dilaporkan (Huang dan rekan (2026)).

• Perancah konseptual dan representasional: Concept Catalyst dan pemikiran ulang tutor LLM mengeksplorasi pola desain untuk dukungan kognitif. Davor (2026) menyediakan domain tempat dukungan representasional dan pemberian jawaban harus dipisahkan: pembuktian geometri kaya akan sumber daya Visualisasi, namun langkah dari hubungan yang dapat dilihat ke argumen deduktif yang sah adalah langkah yang gagal diambil pembelajar, sehingga perancah harus membawa mereka melintasi representasi alih-alih menyerahkan gambar lain. Kuasi-eksperimennya dengan 86 siswa sekolah menengah atas Ghana mengonfigurasi AI generatif untuk memberi prompt dan bertanya alih-alih menyelesaikan — meminta pembelajar membenarkan apa yang mereka amati, menyebutkan teorema yang relevan, dan mengurutkan langkah logis mereka, dengan guru menggunakan representasi AI untuk mengarahkan diskusi — dan kelas yang didukung AI memperoleh skor lebih tinggi daripada pengajaran konvensional dalam menyusun pembuktian bahkan setelah mengendalikan kinerja pra-tes. Persepsi terhadap umpan balik dan kualitas penjelasan positif, meskipun hanya kelompok eksperimen yang disurvei. Perancah diposisikan di sini sebagai jembatan dari intuisi visual ke penalaran deduktif, dan makalahnya tidak pernah menyebut model atau jendela pengumpulan data, sehingga ia lebih menawarkan jaminan desain daripada resep replikasi.

• "Beri perancah, jangan menggantikan" sebagai prinsip desain: Favero dan rekan (2026) berargumen bahwa risiko sentral AI dalam pendidikan adalah ketidakselarasan — AI yang menggantikan usaha manusia mengikis kapasitas yang seharusnya dibangun pendidikan — dan menurunkan satu prinsip desain, beri perancah, jangan menggantikan. Perancah harus menjadi kapabilitas kelas satu dari sistem AI: mengetahui kapan menahan jawaban, mengajukan pertanyaan, memunculkan ketidakpastian, atau menyajikan perspektif alternatif. Analisis mereka atas esai siswa menunjukkan bahwa pembelajar sendiri sampai pada kesimpulan ini — meminta AI yang "tidak memberikan solusi apa pun untuk Anda, Anda tetap belajar karena Anda harus menemukan jawaban yang benar sendiri." Prinsip ini memposisikan perancah sebagai alternatif dari siklus bahaya yang memerbanyak diri melalui substitusi di ranah kognisi, agensi, emosi, dan etika.

• Mentoring sebagai perancah untuk proses penelitian. Wang dan rekan (2026) memperlakukan tinjauan sistematis sebagai pengalaman belajar yang disengaja di mana mentoring menyediakan perancah metodologis dan emosional yang terpadu, sementara otomasi dibatasi pada beban prosedural seperti penyaringan abstrak, dan ekstraksi data, rekonsiliasi serta sintesis tetap berada di tangan peninjau manusia.

• Perancah yang tertanam dalam medium, bukan ditempelkan: Wang, Du dan Jin (2026) mengoperasionalkan empat prinsip perancah di dalam pemutar video — penyesuaian kedalaman komentar berbasis ZPD, perancah yang memudar (dukungan pengetahuan menipis sepanjang linimasa), perancah yang terdistribusi (setiap komentar adalah dukungan pengetahuan atau emosional), dan penentuan waktu yang diturunkan dari beban kognitif — dengan menghitung entropi video pada tingkat bingkai dan menyisipkan komentar hanya pada interval berinformasi rendah. Ablasi empat kondisi mereka dengan 20 pembelajar menemukan bahwa modul penentuan waktu berbasis entropi menghasilkan efek terkuat dan paling kokoh terhadap kualitas yang dipersepsikan ketika dihapus (Z = −2.85, r = 0.45, p = .004), yang menjadikan penjadwalan perancah sebagai variabel desain yang terukur alih-alih detail pengemasan. Studi ini juga membawa peringatan bagi perancah otomatis: komentar yang dihasilkan ChatGPT secara konsisten lebih sulit dibaca, kurang beragam leksikalnya, dan kurang selaras topiknya dibandingkan komentar instruktur, dengan kesenjangan relevansi terbesar pada dukungan emosional (kualitas umpan balik).

• Perancah emosional sebagai lapisan prompt, diukur terhadap perancah kognitif saja. Dengan antarmuka dan pelajaran dipertahankan tetap, versi emosional meminta siswa melaporkan perasaan pada tiga titik dan menggunakan laporan itu untuk memvariasikan nada, perancah afektif dan tantangan kognitif sepanjang penilaian kendali dan nilai, dengan suhu 0.7 agar adaptasinya memandu alih-alih mendikte balasan. Dalam jejak dialog, ia menghasilkan lebih banyak kerja fase kinerja dan refleksi diri dibandingkan prompt SRL saja, serta lebih banyak kesenangan dan lebih sedikit kebosanan. Ia tidak menambahkan apa pun pada perolehan belajar atau efikasi diri dalam satu sesi 25 menit (Diordiev, Stenberdt & Makransky, 2026).

• Perancah yang disukai tidak selalu yang paling efektif: Zhu, Yang dan Yang (2026) menemukan dalam eksperimen dalam-subjek bahwa siswa berkinerja terbaik dengan peran AI Sejawat dan Asisten Pengajaran (yang menumbuhkan penalaran kolaboratif) namun lebih menyukai peran Tutor dan Siswa Unggul yang lebih direktif — perbedaan antara preferensi dan kinerja yang memperingatkan agar tidak menyamakan preferensi pembelajar dengan perancah yang efektif dalam pemodelan matematika berbantuan AI.

• Perancah yang lebih terstruktur tidak otomatis lebih agensik: sebuah bot desain ahli menaikkan panjang interaksi dan prompt yang ditulis sendiri dibandingkan ChatGPT biasa, tetapi agensi pemecahan masalah kolaboratif turun pada kedua kondisi, dengan kesepakatan alih-alih kritik sebagai perilaku beragensi terendah yang teramati (Krushinskaia dan rekan (2026)).

• Penilaian otomatis sebagai perancah yang disengaja: Chen dan Liu (2026) memperlakukan sistem penilaian juru bahasa otomatis sebagai perancah formatif alih-alih sebagai instrumen pengukuran, dalam perbandingan 14 minggu dengan 46 mahasiswa tingkat dua Penerjemahan dan Penjurubahasaan Inggris. Perancah itu berubah menjadi keuntungan hanya ketika defisit yang disasar dapat didekomposisi, dinilai secara andal, dan diskalakan secara sensitif: akurasi linguistik dan koherensi logis naik, sementara kesetiaan informasi dan kelancaran penyampaian tetap datar, dengan kesetiaan sebagai dimensi tempat penilaian otomatis dan manusia paling tidak sepakat (r = 0.12). Siklus yang diperkuatnya juga parsial. Hanya eksekusi dan pemantauan fase latihan yang berkorelasi dengan kenaikan skor (r = 0.42), sementara perencanaan pra-belajar berada dekat titik tengah skala (M = 3.01) dan siswa menetapkan tujuan dari skor sebelumnya alih-alih dari tugas yang akan dihadapi. Sebuah perancah dapat ditempatkan dengan baik di dalam fase kinerja namun membiarkan perencanaan yang akan membuatnya tidak diperlukan tidak tersentuh.

• Perancah lingkar tertutup pada batas kemampuan pembelajar saat ini: Zhu, Luo dan Li (2026) membangun lingkar pendidikan musik di mana deteksi kesalahan AI Multimodal atas audio dan partitur pertunjukan menjadi imbalan yang mengarahkan lintasan latihan yang dihasilkan pembelajaran penguatan, sehingga kesulitan mengikuti batas kemampuan pembelajar saat ini alih-alih silabus tetap: lintasan latihan yang dihasilkan cocok dengan profil keterampilan pembelajar pada kemiripan kosinus puncak 0.962, dan interaksi Grup x Waktu menguntungkan kelompok berperancah dalam kuasi-eksperimen 12 minggu dengan 120 mahasiswa (beta = 0.52, 95% CI [0.31, 0.73]). Dua batasan mengikuti bagi perancah otomatis. Deteksi adalah triase alih-alih penilaian, karena presisi kesalahan ritme 89.7% berarti kira-kira satu dari sepuluh kesalahan yang ditandai adalah alarm palsu, dan tinjauan ahli secara buta menilai dukungan untuk ekspresi musikal sebagai area terlemah sistem, sehingga interpretasi tetap diserahkan kepada guru.

• Penentuan tempo juga diberi perancah. Englmeier (2025) memasangkan perancah konten dengan lapisan temporal berupa jatah waktu mingguan, dasbor kemajuan dan pemeriksaan akhir-bagian; tanpa penentuan tempo, hampir 25 persen dari lebih dari 600 pembelajar memulai pada minggu terakhir dan 95 persen dari mereka gagal.

Koneksi ZPD

Zona Perkembangan Proksimal Vygotsky menyediakan landasan teoretisnya: perancah menyasar ruang antara apa yang dapat dilakukan pembelajar secara mandiri dan apa yang dapat mereka capai dengan dukungan. Alat AI harus beroperasi di zona ini — dukungan yang cukup untuk memungkinkan kemajuan, tetapi tidak berlebihan hingga pembelajaran terlewati. Konfigurasi yang membalik arah adaptasi yang biasa muncul dalam kursus pascasarjana Sidorkin (2026), tempat pembelajar alih-alih sistem yang menetapkan tingkat dukungan: bacaan mingguan dihasilkan sesuai permintaan dan siswa menyetel tingkat pemahaman melalui prompt berulang (tempo, definisi, kepadatan kosakata, kedalaman). Analisis atas tiga log bacaan menemukan penanda definisi 3.4x hingga 8.7x lebih sering dalam respons AI setelah prompt yang berorientasi pemahaman dibandingkan dalam teks penjelas dasar, dengan kasus terjelas membangun lapisan definisional lalu lapisan prosedural bernomor, yang menjadikan kepadatan perancah sebagai sifat terukur dari permintaan pembelajar alih-alih hanya dari estimasi penguasaan sistem. Mewajibkan setidaknya tiga pertanyaan lanjutan per bacaan membuat penyetelan itu menjadi rutin, mengubah teks menjadi interaksi yang memunculkan celah pemahaman yang tidak akan terlihat oleh instruktur.

Bentuk perancah harus sesuai dengan apa yang sudah dapat ditampung pembelajar, bukan hanya dengan apa yang dituntut tugas. Dalam tinjauan lingkup sistematis atas 24 sumber bukti tentang berpikir kreatif pada anak usia 6 hingga 15 tahun, Niu dan rekan (2026) melaporkan bahwa anak yang lebih muda tidak memiliki kendali linguistik dan metakognitif yang presisi sebagaimana dituntut prompting berbasis teks dan membutuhkan antarmuka multimodal yang difasilitasi orang dewasa, sementara LLM berbasis teks menunjukkan hasil yang dilaporkan lebih kuat pada anak yang lebih besar dan remaja awal. Ketergantungan pada prompt paling kuat di kelas rendah, dan tidak ada studi yang disertakan meneliti ambang kesiapan perkembangan, sehingga penulis memperlakukan pilihan modalitas dan perancah sebagai pertanyaan desain terbuka yang harus diselesaikan oleh kapasitas pembelajar alih-alih oleh kemudahan.

Koneksi

Perancah terhubung dengan Ketergantungan Berlebih (perancah yang tidak memudar menciptakan ketergantungan), Teori Beban Kognitif (perancah mengelola beban kognitif), Lingkar Umpan Balik (perancah menyediakan umpan balik formatif), dan literasi AI (pembelajar harus mengenali kapan perancah bermanfaat versus kapan ia menggantikan pembelajaran).

Agen harus memberikan perancah secara dinamis, bukan statis: Woollaston dan rekan (2026) mengidentifikasi bahwa perancah otomatis berisiko tetap statis alih-alih ditarik saat kompetensi tumbuh, dan merekomendasikan perancah dinamis yang beradaptasi dan memudar — pagar pengaman kunci bagi AI agensik. CoMeT (Hou dkk. 2026) menyediakan pemisahan sekaligus jaminan tentang kapan harus memudar: dukungannya naik satu tingkat setiap kali pembelajar tidak menggunakannya dan turun ke tingkat teringan saat dukungan diambil, dengan menjaga tuntutan metakognitif setara secara statistik dengan tutor yang menahan diri (p_TOST = .004) sambil menghasilkan artefak pada 48.1% sesi dibandingkan 23.7% — lebih banyak kerja sistem, bukan lebih sedikit. Pemicu yang divalidasinya adalah sasaran alih-alih kedalaman: setelah demonstrasi penuh, tutor kemudian mengakui 30.3% dari apa yang masih terbuka, setelah artefak yang ditempel 25.9%, setelah pernyataan telanjang 20.4%, dan setelah permintaan untuk membangun 33.7%, sedangkan giliran yang tidak diarahkan pada keputusan yang didukung menarik konsesi di kemudian hari 40.3% dari waktu dibandingkan 28.8% untuk giliran yang terarah (perbedaan 11.5 poin, interval bootstrap 95% [2.1, 22.4]). Pengambilan dukungan jarang — 37.0% setelah permintaan pertama dan 21.8% setelah permintaan ketiga — sehingga aturan pemudaran yang dikaitkan dengan usaha pembelajar akan membaca ketiadaan jawaban sebagai kesiapan.

Pemudaran dapat dilatih keluar dari seorang tutor. Tutor RL multi-giliran yang diberi imbalan hanya atas soal saat ini dan varian transfer-dekat bertopeng berhenti memudarkan dukungan dan memberikan tugas mandiri, meskipun tidak ada yang menghukum keduanya, karena hasilnya berada di luar satu episode dialog (Macina, Kapur & Sachan, 2026). Cakrawala imbalan yang berakhir bersama soal akan menghapus pemudaran yang ditentukan desain.

Zona keempat membuat sumber perancah terlihat: Tsim dan Gutoreva (2025) menambahkan "diketahui oleh GenAI" ke zona Vygotsky, sehingga suatu tugas jatuh ke dalam Substitusi, Pelengkap, Bantuan, atau Non-negosiabel — dan Non-negosiabel memuat apa yang membutuhkan manusia karena bersifat normatif, implisit, atau terlalu berisiko untuk diserahkan.

• Tempatkan AI menurut fase gagasan, bukan menurut mata pelajaran. Kerangka penempatan enam langkah menahan AI dari upaya keras pertama dan pemeriksaan akhir tanpa bantuan sambil mengizinkannya di antara keduanya untuk petunjuk, contoh dan latihan; jika AI membuat tugas terasa tanpa usaha, ia berada di tempat yang salah (Brcic & Frljic, 2026).

Perancah harus sesuai situasi, bukan maksimal: Zhang dan rekan (2026) memperkenalkan TutorMoments, yang mengevaluasi apakah tutor LM memberi perancah hanya ketika dukungan dibutuhkan, mendorong ketelitian ketika siswa siap, dan menghindari perancah berlebihan (mengurangi tuntutan kognitif lebih dari yang dibutuhkan situasi). Model frontier dengan prompt minimal secara bawaan memberi perancah berlebihan dengan mengorbankan pergulatan produktif.

• AI yang memberi perancah bagi pergulatan produktif. Kim dan rekan (2026) menurunkan prinsip desain AI (dukungan non-direktif, desain reflektif, manusia dalam lingkar) yang menjaga perancah di zona pergulatan produktif alih-alih meruntuh menjadi pemberian jawaban; Puech dan rekan (2025) menunjukkan tutor Model Bahasa Besar (LLM) dapat diarahkan untuk memberi bantuan hanya ketika benar-benar diperlukan — perancah yang mempertahankan usaha pembelajar sendiri.

Penarikan perancah sebagai mekanisme penegakan verifikasi. Kumar, Wongsirichot dan Nanthaamornphong (2026) menyintesis 72 studi pendidikan komputasi dan menempatkan penarikan perancah, bersama alat pagar pengaman dan desain pembelajaran mandiri, sebagai salah satu dari tiga cara kursus menegakkan keterlibatan kritis dengan keluaran AI — secara struktural (membatasi apa yang dikembalikan alat), secara prosedural (log refleksi, uji mandiri) dan secara temporal (memulihkan secara bertahap kondisi yang menuntut penalaran mandiri). Bukti mereka adalah bahwa keuntungan efisiensi di bawah bantuan AI tidak bertransfer ke kinerja tanpa bantuan, dan bahwa mode kegagalannya — pola pseudo-apprenticeship, ketika siswa menyaksikan AI menghasilkan kode tanpa menjalankan tugasnya — persis merupakan pemodelan tanpa latihan tugas utuh. Akses bertahap karena itu berfungsi sebagai jadwal pemudaran bagi bentuk dukungan baru yang kuat, dan tinjauan itu mendasarinya pada 4C/ID: bantuan hanya membantu ketika pembelajar sudah memiliki skema yang cukup untuk terlibat secara kritis dengannya (zona perkembangan proksimal, offloading kognitif).

Pengurutan adalah tuas lain dari perancah: Vendrell dan Johnston (2026) merekomendasikan mewajibkan upaya mandiri pembelajar sebelum konsultasi AI apa pun dan kemudian menggunakan model untuk menghasilkan kontraargumen alih-alih jawaban, dengan fase tanpa AI yang disengaja, sehingga dukungan memperkuat penalaran alih-alih menggantikannya.

Perancah Terpandu Aturan vs. Ad Hoc

• Perancah terpandu aturan vs. ad hoc. Looi, Liu, dan Sun (2026) merumuskan pembedaan yang sentral bagi desain perancah: perancah terpandu aturan, ketika tutoring diatur oleh arsitektur tiga lapis yang dapat diaudit (diagnosis → pemilihan niat → generasi respons terbatas), versus perancah ad hoc, ketika langkah-langkah yang membantu sulit diaudit dan direplikasi. Studi matematika sekolah dasar mereka menunjukkan bahwa perancah terpandu aturan meningkatkan konsistensi interaksional, mengurangi pemberian jawaban prematur dan penutupan dini, serta mempertahankan keterlibatan kognitif — bukti bahwa seberapa eksplisit dan dapat diauditnya langkah perancah penting bagi konsistensi sekaligus pembelajaran dalam domain prosedural.
• Perancah sebagai jalur terbatas antara bypass dan offloading. Model Neuroplastisitas–Interaksi AI menyebut perancah sebagai jalur ketiga dari tiga jalur bantuan LLM, bersama bypass langsung dan offloading kognitif, dan mendefinisikannya melalui apakah model mempertahankan pemrosesan berusaha yang hendak dilatih tugas (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning). Bukti kalibrasi model itu adalah eksperimen alami dalam pembatasan perancah: akses GPT-4 tanpa batas dalam studi terhadap hampir 1,000 siswa matematika sekolah menengah menghasilkan keuntungan latihan 48% tetapi defisit 17% pada ujian tanpa bantuan, sementara GPT Tutor yang dibatasi petunjuk menghasilkan keuntungan latihan 127% dengan defisit ujian sebagian besar terhapus. Pelajaran desainnya sejalan dengan pembedaan terpandu aturan versus ad hoc di atas pada butir yang lebih kasar: pembatasan atas apa yang diizinkan untuk disediakan tutor, bukan keberadaan tutor, yang menentukan apakah perancah berhasil dilepas.

Pembedaan terpandu aturan versus ad hoc melampaui tutor dan masuk ke dalam tugas itu sendiri. Sebuah kolaboratorium fakultas lintas institusi menemukan bahwa kritik terhadap keluaran AI tidak terjadi dengan sendirinya, sehingga persyaratan untuk mengaudit, membandingkan, merevisi dan membenarkan konten yang dihasilkan harus dituliskan ke dalam tugas, dan mereka yang melindungi analisis disipliner mandiri sebelum AI masuk mendapati kandidat dapat mengevaluasi keluaran AI dengan lebih kritis. Bukti dari latihan sependapat: guru pra-jabatan yang berlatih dengan mitra AI menggunakan lebih banyak pertanyaan menggali ketika umpan balik pasca-latihan terstruktur diberikan. Dalam kedua kasus, dukungan ditentukan sebelumnya alih-alih diimprovisasi, memisahkan bimbingan yang dirancang dari bantuan ad hoc yang sulit diaudit dan direplikasi.

• Perancah yang dibatasi dengan benar tetap gagal jika batasannya tidak diadministrasikan. Azimi (2026) membangun apa yang ditentukan pembedaan di atas — anggaran 25 petunjuk per sesi, batas 15 menit penggunaan AI, refleksi akhir sesi yang wajib, dan tanpa kode yang dihasilkan — dan mengacak 33 mahasiswa magister antara itu dan penggunaan AI generatif tanpa batas selama tujuh minggu. Kinerja tugas dan perolehan inventaris konsep tidak berbeda antar kondisi. Anggaran petunjuk tidak bertindak sebagai mekanisme penjatahan: sebagian siswa menghabiskannya pada soal-soal pertama dan tidak menyisakan apa pun untuk soal yang menuntut, yang lain selesai dengan sebagian besar tidak terpakai, dan dalam kondisi Coach justru siswa yang sudah memiliki strategi yang disengaja dalam membelanjakan petunjuk yang memperoleh skor lebih tinggi. Batasan itu menaikkan kepercayaan diri yang dilaporkan dan mengikuti siswa keluar dari kelas sebagai kebiasaan bertanya pada diri sendiri (apakah suatu pertanyaan layak diajukan ke alat), tetapi ia menghargai tata kelola diri yang sudah ada alih-alih mengembangkannya. Dapat diauditnya perancah dan kapasitas pembelajar untuk menggunakannya adalah kondisi yang terpisah.

• Perancah yang tidak dapat diverifikasi pembelajar adalah substitusi yang lancar. Karena kimia bernalar melintasi fenomena teramati, model partikulat dan notasi simbolik, jawaban yang dihasilkan dapat meyakinkan secara lokal namun salah secara global. Vega-Baudrit dan Rivera Álvarez (2026) menempatkan perancah di sisi produktif analisis Presage-Process-Product mereka dan penyalinan tanpa kritik di sisi kegagalan, serta mensyaratkan perancah menuntut penerjemahan representasional dalam dua arah, karena respons yang menjelaskan netralisasi dengan benar masih dapat menyatakan bahwa setiap titik ekuivalensi memiliki pH 7. Verifikasi dirancang ke dalam tugas alih-alih diumumkan sebagai aturan: siswa mengidentifikasi asumsi yang salah, memperbaiki kesalahan satuan atau mekanisme, membandingkan struktur simbolik dengan model submikroskopik, atau membenarkan penolakan atas jawaban yang dihasilkan. Karena siswa tidak dapat memverifikasi apa yang belum mereka pahami, pengetahuan awal dan perancah datang lebih dulu, dan prompting diperlakukan sebagai tindakan epistemik ketika pembelajar menetapkan batasan yang harus dipenuhi jawaban.

Miskonsepsi Umum

• "Perancah adalah tingkat dukungan yang konstan." Anotasi ahli atas 207 konsultasi menunjukkan kebutuhan perancah sangat bergantung pada fase, naik dari sekitar 16.1% ujaran siswa pada awal pertemuan. Satu tingkat perancah tunggal salah dialokasikan pada kedua ujung konsultasi yang sama.
• "Kondisi kontrol terstruktur apa pun adalah pembanding yang adil bagi perancah." Kondisi perancah mengungguli kontrol pengungkapan progresif terstruktur pada ujian akhir yang selaras OSCE (71.8% versus 55.6%), sehingga keuntungannya diukur terhadap alternatif pedagogis yang nyata alih-alih terhadap ketiadaan.
• "Efek perancah bersifat umum." Keuntungannya adalah 16.4 poin persentase (P = 3.30e-4), dengan peningkatan terbesar pada komunikasi (Hedges' g = -0.79). Efeknya terkonsentrasi pada satu luaran, sehingga rata-rata lintas luaran meremehkan tempat ia berhasil dan melebih-lebihkan tempat ia tidak berhasil.

Konsep terkait

• Pola Pedagogis — Di mana dukungan berada dalam urutan, dan mengapa mencoba-sebelum-membantu adalah aturan yang menanggung beban
• Pembelajaran Berbasis Masalah — PBL menanamkan perancah yang memudar di sekitar masalah berstruktur longgar
• Belajar dengan Mengajar — Perancah pembangunan pengetahuan melalui penjelasan
• Pembelajaran Sosiokultural — Landasan Vygotskian: ZPD dan pembelajaran yang dimediasi secara sosial
• Offloading Kognitif — Perancah yang tidak pernah memudar menciptakan ketergantungan berlebih
• Umpan Balik — Perancah menyampaikan umpan balik formatif saat dukungan memudar
• Literasi AI — Mengenali kapan perancah mendukung vs. menggantikan pembelajaran
• Tutoring Cerdas — ITS menyesuaikan intensitas perancah dengan estimasi penguasaan
• Metode Sokratis — Pertanyaan yang menahan jawaban langsung
• Metakognisi — Perancah yang membangun pemantauan diri dan regulasi diri
• Pembelajaran Adaptif — Sistem adaptif memodulasi dukungan dalam ZPD pembelajar
• Desain Pembelajaran — Perancah adalah strategi desain instruksional inti
• Pencarian Bantuan — Perancah membentuk kapan dan bagaimana pembelajar meminta bantuan
• Pengajaran — Guru memberi perancah, lalu memudarkannya saat kompetensi tumbuh
• Pedagogi dan Strategi Pengajaran — Payung: pedagogi dan strategi pengajaran dalam pendidikan AI
• AI Agensik
• Kegagalan Produktif — Kegagalan Produktif

Artikel terkait

• Generative AI in computing education: A systematic review and a framework for responsible integration — Penarikan perancah sebagai mekanisme yang menegakkan verifikasi (kerangka VIE)
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Mengevaluasi sistem model bahasa besar multiagen berorientasi perancah untuk pelatihan wawancara klinis
• Assessing ChatGPT-Generated Comments for Video-Based Learning Content to Enhance Knowledge and Emotional Support Based on Scaffolding Theory — Komentar AI berwaktu-entropi sebagai perancah pengetahuan dan emosional di dalam video (Wang, Du & Jin 2026)
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — Prompt LLM terpandu sebagai intervensi pembelajaran terstruktur
• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — Perancah keterlibatan kritis yang responsif secara budaya dengan GenAI
• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments — Pola desain untuk perancah dalam tutor LLM
• Creating Learning Scaffolds for Engineering Design Using Concept Catalyst — Perancah Concept Catalyst untuk perubahan konseptual
• Catching The Correct Answer Trap: Characterising AI Tutor Blind Spots When Analysing Student Reasoning — Kapan petunjuk membantu vs. kapan mendorong ketergantungan berlebih
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — Memberi perancah bagi berpikir kritis dengan GenAI
• VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding — Penyusunan naratif berperancah dengan Veriforge
• From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond) — Dari Substitusi ke Perancah: Memutus Siklus Bahaya yang Memerbanyak Diri
• Preferred Scaffolding Does Not Lead to Better Learning Performance: Empirical Evidence from AI-Supported Mathematical Modelling — Perancah yang disukai dalam pemodelan matematika berbantuan AI
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Perancah dinamis (memudar) sebagai pagar pengaman bagi AI agensik
• When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle — Ketika bantuan tidak membantu: mengevaluasi tutor AI untuk pergulatan produktif
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Merancang sistem AI untuk mendukung pembelajaran berbasis kegagalan produktif
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Pengarahan pedagogis LLM untuk kegagalan produktif
• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — Membuat tutoring AI produktif: latihan matematika berbasis penguasaan
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — AI terjaga vs. tanpa penjagaan: aturan penempatan (Brcic & Frljic 2026)
• Supporting Undergraduate Students' Learning in Practical Chemistry Courses through AI-Supported Experimental Design — Desain eksperimen berbantuan AI dalam kimia praktik
• Scaffolding Systematic Reviews in Learning Design and Technology Through Mentoring and AI Integration — Memberi perancah pada tinjauan sistematis dengan mentoring dan AI (Wang 2026)
• Pre-service teachers' agency during their interactions with generative AI while designing for learning - a process view — Agensi guru pra-jabatan selama interaksi GenAI dalam desain pembelajaran (Krushinskaia, Elen & Raes 2026)
• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — AI di seluruh pedagogi praktik dalam pendidikan guru matematika: umpan balik latihan terstruktur menaikkan pertanyaan menggali (Bondurant & Shaughnessy 2026)
• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Integrasi AI sebagai desain instruksional: kritik atas keluaran AI harus ditugaskan, dan analisis disipliner datang lebih dulu
• AI literacy over tool design: a mixed-methods study of scaffolded versus unrestricted generative AI in programming education — Pelatih Belajar AI beranggaran petunjuk: penggunaan GenAI berperancah vs. tanpa batas, dan mengapa batasan saja tidak menghasilkan pembelajaran (Azimi 2026)
• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: perancah dirumuskan ulang sebagai penentuan sub-zona tempat suatu tugas berada
• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — Penilaian otomatis sebagai perancah formatif: ia berubah menjadi keuntungan hanya ketika defisit yang disasar dapat didekomposisi, andal dan diskalakan secara sensitif (Chen & Liu 2026)
• Adaptive teaching assistance model combining generative AI and big data analytics — Perancah adaptif lingkar tertutup yang melacak batas kemampuan pembelajar saat ini dalam latihan musik, dengan deteksi kesalahan sebagai triase (Zhu dkk. 2026)
• The role of generative AI in facilitating children’s creative thinking and cognitive development: a systematic scoping review — Bentuk perancah harus sesuai kapasitas perkembangan anak, bukan hanya dengan tugas (Niu dkk. 2026)
• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Perancah harus menuntut penerjemahan representasional dan verifikasi, karena siswa tidak dapat memverifikasi apa yang belum mereka pahami (Vega-Baudrit & Rivera Álvarez 2026)
• Generative AI-supported instruction as a cognitive scaffold: effects on senior high school students' geometric reasoning and proof construction — GenAI sebagai perancah prompting yang menjembatani intuisi visual ke pembuktian deduktif dalam geometri, tempat visualisasi saja tidak memadai (Davor 2026)
• Examining Variation in How Guided AI Tutors Resolve Student Impasses — Menguji variasi cara tutor AI terpandu menyelesaikan jalan buntu siswa
• From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education — Melatih pembelajar sebagai perancah penggunaan GenAI dalam pemecahan masalah STEM (Huang dkk. 2026)
• A Conversational AI Framework for Teacher Training — Diagnostik AI percakapan untuk miskonsepsi pengajaran dengan dialog berbasis bukti (Miranda & Calvani 2026)
• Scaffolding Autonomy: AI-Augmented Self-Paced Learning Environments for Sustainable Learning Outcomes — Lapisan perancah konten dan temporal dalam kursus mandiri, dengan tingkat memulai terlambat dan kegagalan menurut waktu belajar
• The Assistance Dilemma - Learning to Teach via Multi-Turn Reinforcement Learning — Dilema bantuan: melatih tutor RL multi-giliran yang cakrawala imbalannya berakhir bersama soal akan melatih pemudaran keluar (Macina, Kapur & Sachan 2026)