Teori Determinasi Diri

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

Teori Determinasi Diri (SDT) — teori psikologis tentang motivasi manusia yang mengandaikan bahwa motivasi intrinsik dan kesejahteraan bergantung pada terpenuhinya tiga kebutuhan psikologis dasar: otonomi, kompetensi, dan keterhubungan. Dalam AI dalam pendidikan, SDT menyediakan kerangka untuk merancang alat AI dan pengembangan profesional yang mendukung alih-alih merusak motivasi siswa dan guru.

Pertanyaan untuk Dipertimbangkan

Teori ini mengklaim motivasi bukan sekadar seberapa banyak yang Anda miliki melainkan sebuah kualitas yang dibentuk lingkungan, dibangun di atas tiga kebutuhan: otonomi, kompetensi, dan keterhubungan. Pikirkan pengalaman belajar yang menguras Anda. Kebutuhan mana di antara ketiganya yang dilanggar, dan apa yang akan memulihkannya?
Studi selama setahun menemukan tiga profil motivasional — Tidak Terlibat, Berkembang, Determinasi Diri — yang stabil sepanjang waktu, dan siswa yang mencapai profil Determinasi Diri menunjukkan keuntungan literasi AI terbesar. Sebelum Anda membaca, apakah motivasi merupakan sesuatu yang dibawa siswa, atau sesuatu yang dapat ditumbuhkan lingkungan yang dirancang baik? Apa implikasi 'perkembangan, bukan tetap'?
Jika alat AI membuat setiap tugas tanpa usaha dan 'mudah digunakan', kebutuhan psikologis mana yang mungkin sedang dipenuhinya — dan mana yang diam-diam sedang dirusaknya? Bagaimana alat yang menaikkan keterlibatan jangka pendek tetap dapat menggerus motivasi jangka panjang?
Pengembangan profesional yang mendukung kebutuhan bagi guru meningkatkan literasi AI mereka dan mempertahankan keterlibatan. Apakah ini menunjukkan bahwa cara kita melatih pendidik tentang AI sama pentingnya dengan apa yang dilakukan AI itu sendiri? Seperti apa pelatihan AI yang 'mendukung otonomi' bagi Anda secara pribadi?
Sebuah studi menemukan ChatGPT dapat mendukung otonomi, keterhubungan, dan kompetensi dalam pembelajaran bahasa. Tetapi dapatkah alat yang sama merusak kebutuhan itu bagi siswa yang berbeda? Apa yang perlu benar tentang bagaimana ia digunakan agar teorinya berlaku?
Sebelum membaca lebih jauh, sebutkan satu cara Anda pernah merasakan kompetensi, otonomi, atau rasa keterhubungan Anda terpengaruh oleh penggunaan alat AI — dan renungkan apakah Anda akan menyadari perubahan itu tanpa diminta mencarinya.

Pendahuluan

SDT semakin banyak digunakan dalam penelitian AI dalam pendidikan sebagai lensa teoretis bagi sistem AI yang menghadap siswa maupun guru. Klaim sentral teori ini — bahwa motivasi bukan sekadar kuantitas yang dimiliki siswa melainkan kualitas yang dibentuk lingkungan sosial dan teknologi — membuatnya langsung relevan bagi pertanyaan tentang bagaimana alat AI memengaruhi keterlibatan, persistensi, dan hasil belajar. Artikel-artikel dalam basis pengetahuan ini menerapkan SDT pada tiga konteks utama: pengembangan profesional guru, keterlibatan belajar yang dimediasi AI, dan komputasi afektif.

Tema penelitian utama

Pengembangan profesional guru berbasis SDT menerapkan prinsip-prinsip pendukung kebutuhan dari teori ini untuk menyiapkan pendidik menghadapi AI. Chiu dkk. meneliti 382 guru sekolah menengah, dan menemukan bahwa pengembangan profesional yang mendukung kebutuhan dan berlandaskan SDT meningkatkan literasi AI guru serta menumbuhkan keterlibatan perilaku yang bertahan dalam komunitas pembelajaran profesional daring. Analisis kualitatif mengidentifikasi sembilan strategi desain yang mendukung otonomi, kompetensi, dan keterhubungan — menjembatani celah antara pengembangan profesional yang terisolasi dan komunitas pembelajaran profesional.

SDT dalam keterlibatan belajar yang dimediasi AI mengkaji bagaimana alat AI generatif membentuk motivasi siswa. Isaeva dkk. memadukan SDT dengan analisis jaringan epistemik untuk mempelajari keterlibatan siswa dengan AI generatif dalam pembelajaran akademik. Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming mengeksplorasi bagaimana ketersediaan AI memengaruhi motivasi dan persistensi siswa, terhubung dengan keprihatinan Ketergantungan Berlebihan tentang tergerusnya motivasi. Liang dkk. (2026) memperluas SDT ke pembelajaran AI dengan analisis transisi laten terhadap 2,086 siswa sekolah menengah dalam kurikulum AI selama setahun, mengidentifikasi tiga profil motivasional (Tidak Terlibat, Berkembang, Determinasi Diri) yang stabil sepanjang waktu dan menunjukkan bahwa sebagian besar siswa mempertahankan atau naik ke profil yang lebih tinggi. Yang krusial, siswa yang mencapai atau bertahan pada profil Determinasi Diri menunjukkan keuntungan literasi AI terbesar — bukti longitudinal langsung bahwa terpenuhinya otonomi, kompetensi, dan keterhubungan memprediksi hasil belajar AI yang lebih baik, dan bahwa motivasi adalah sifat siswa yang berkembang (bukan tetap).

Hasil kelas yang kontras menunjukkan kebutuhan-kebutuhan itu tidak bergerak bersama: di antara 2,464 siswa menengah pertama, pembelajaran berbasis kompetensi yang didukung ChatGPT menaikkan dukungan otonomi dan kepuasan kompetensi namun menghasilkan porsi profil motivasional berkualitas rendah yang lebih besar, dan kepuasan keterhubungan lebih lemah daripada dalam pembelajaran berbasis kompetensi tanpa AI (Schweder, Hagenauer & Raufelder (2026)).

Ketersediaan bukanlah penggunaan. Dengan 406 siswa kelas 5–8 yang menulis dua kali, sekali tanpa alat digital dan sekali dengan GenAI opsional, kepuasan otonomi menurun (Δ = −0.28) sementara regulasi rata-rata tetap stabil dan tingkat penggunaan AI tidak memprediksi keanggotaan profil (Schweder & Grahl (2026)).

Otonomi, bukan kemudahan, yang membawa keuntungan motivasional di sini. Sebuah RCT tiga lengan menemukan bahwa tutor yang menahan petunjuk, yang membiarkan siswa membangun solusinya sendiri, adalah satu-satunya lengan yang menaikkan motivasi intrinsik (2.82 vs 2.42), sementara ChatGPT tanpa batasan, yang memasok jawaban, tidak (2.64, p = .076) (Bassner dkk. (2026)).

Sebuah uji konfigurasional mempertajam poin itu: di antara 498 mahasiswa kedokteran, penggunaan GAI hanya berkorelasi lemah dengan kepuasan kebutuhan (β = 0.155) dan terbukti tidak diperlukan bagi keterlibatan tinggi, sementara kepuasan kebutuhan kompetensi adalah kondisi inti dalam konfigurasi terkuat (He dkk. (2026)).

Dua jalur dari iklim belajar ke penggunaan AI. Shen dan Arunrugstichai (2026) memadukan SDT dengan model Hook tentang keterlibatan perilaku untuk menjelaskan mengapa penggunaan GenAI berkisar dari dukungan konstruktif hingga ketergantungan kompulsif. Dalam data survei lintas-seksional dari 508 mahasiswa dengan latar SMA dan konteks saat ini yang berbeda (Tiongkok dan Thailand), laporan retrospektif tentang tekanan vs. dukungan otonomi di SMA secara diferensial memprediksi jalur mana yang diikuti siswa ke universitas — satu menuju penggunaan GenAI yang konstruktif dan otonom dan satu lagi menuju ketergantungan kompulsif — dengan hasil yang konsisten di seluruh analisis multikelompok lintas konteks. Model ini menghubungkan proses motivasional SDT dengan kualitas pembelajaran berbantuan AI yang dipersepsikan, membingkai dukungan otonomi sebagai tuas yang mengarahkan siswa menuju penggunaan AI yang produktif alih-alih bergantung.

ChatGPT dan kebutuhan SDT dalam pembelajaran bahasa: Annamalai dkk. (2026) menggunakan lensa SDT dengan 25 mahasiswa Malaysia, dan menemukan bahwa ChatGPT mendukung otonomi, keterhubungan, dan kompetensi dalam pembelajaran bahasa Inggris — meningkatkan tugas tata bahasa, menulis, dan percakapan sekaligus memungkinkan pendidik berfokus pada pelatihan tingkat tinggi.

SDT yang diterapkan pada praktik mediasi AI para pengajar sendiri. Claassen dkk. (2026) menggunakan SDT sebagai lensa interpretatif atas bagaimana pengajar mengintegrasikan analitik pembelajaran dan AI generatif ke dalam desain pembelajaran — dan menemukan bahwa mendukung kebutuhan dasar pengajar (otonomi, kompetensi, keterhubungan) menumbuhkan pemecahan masalah kreatif yang dibutuhkan kerja desain mereka. Dalam analisis ENA mereka, penggunaan GenAI berkorelasi dengan merancang untuk determinasi diri siswa (misalnya, menciptakan rubrik penilaian bersama siswa), memperluas SDT dari siswa ke pendidik yang membangun lingkungan bermediasi AI yang mendukung kebutuhan.

Bagi guru sendiri, kolaborasi AI bekerja dua arah: studi tiga gelombang terhadap 468 dosen universitas menemukan bahwa ia menaikkan keterlibatan kerja melalui ketersediaan psikologis sekaligus menurunkannya melalui alienasi kerja, dan kompetensi digital memperkuat jalur pertama dan melemahkan jalur kedua (Sun dkk. (2026)).

Sebuah kerangka ko-agensi membatasi jangkauan SDT dalam pendidikan bermediasi AI: ia mengubah keadaan yang memunculkan otonomi, kompetensi, dan keterhubungan tetapi membiarkan keadilan kekuasaan, kepemilikan data, dan akuntabilitas tak terjawab, itulah sebabnya para penulisnya menetapkan akuntabilitas epistemik manusia sebagai kondisi non-negosiabel di luar teori (Poudyal (2026)).

Dukungan otonomi sebagai kerangka penggunaan GenAI oleh anak. Fan, Li dan Zhang (2026) memindahkan pertanyaan penggunaan yang bertanggung jawab dari pembatasan ke dukungan kebutuhan, dengan berargumen bahwa pembedaan yang penting adalah apakah orang dewasa di sekitar anak mendukung otonomi alih-alih mengendalikannya, dan membedakan pelimpahan kognitif yang bergantung dari yang otonom dalam istilah SDT: pelimpahan yang bergantung memindahkan agensi dan menurunkan motivasi intrinsik, pelimpahan otonom merancah sementara siswa mempertahankan kendali epistemik. Dua ciri tinjauan itu langsung relevan bagi penerapan SDT: ia menegaskan bahwa dukungan otonomi bukan permisif, dan ia memperlakukan koordinasi keluarga-sekolah yang diasumsikan panduan saat ini sebagai hipotesis yang belum teruji, dengan merumuskan versi aditif, sinergistik, dan kompensatoris yang hanya dapat dibedakan oleh uji faktorial yang membandingkan panduan keluarga saja, sekolah saja, terkoordinasi, dan praktik biasa.

Kaitan dengan konsep terkait

SDT terhubung langsung ke Motivasi sebagai konstruk induknya, ke Komputasi Afektif dan Tutoring Afektif untuk desain AI yang sadar emosi, dan ke Pengalaman Siswa untuk bagaimana siswa mengalami lingkungan bermediasi AI. Penekanan teori ini pada otonomi terhubung ke Regulasi Diri dalam Belajar, sementara dimensi kompetensinya terhubung ke Self-Efficacy and Favorability Shape Learning from Tutoring Systems and Paper Practice dan Kompetensi AI Guru. SDT sangat relevan bagi Pembelajaran di Tempat Kerja dan Pengembangan Pendidikan karena desain yang mendukung kebutuhan adalah prinsip yang dapat dipindahkan untuk menyiapkan pendidik menggunakan AI.

Ketiga kebutuhan tidak diuji secara merata oleh penelitian AI generatif. Pan, Abuhassna dan Jiang (2026) mengodekan 39 studi terhadap klasifikasi 20 aktivitas dan menemukan 14 aktivitas hadir, dengan tujuh jenis terkait kompetensi berbanding lima untuk otonomi dan dua untuk keterhubungan. Enam aktivitas absen dari setiap studi, dan sebagian besar meminta siswa menilai atau menantang alat itu: menciptakan masalah yang menantang, mengantisipasi keluaran alat, menilai keluaran tersebut dan berdebat dengannya. Keterhubungan adalah kebutuhan yang paling sedikit diuji literatur.

Miskonsepsi Umum

"Jenis motivasi kurang penting daripada jumlah motivasi." Studi selama setahun menemukan tiga profil motivasional — Tidak Terlibat, Berkembang, Determinasi Diri — stabil sepanjang waktu, dan siswa yang mencapai profil Determinasi Diri menunjukkan keuntungan literasi AI terbesar. Kualitas motivasi memprediksi pembelajarannya, dan profil-profil itu tidak sekadar bergeser naik.
"Dukungan otonomi berarti menghapus struktur." Mekanisme SDT adalah otonomi, kompetensi, dan keterhubungan bersama-sama, dan bukti longitudinal menunjukkan bahwa terpenuhinya ketiganya memprediksi keuntungan alih-alih sekadar menyertainya. Otonomi tanpa dukungan kompetensi adalah permisif, dan ia tidak memenuhi syarat teori ini.
"Chatbot dapat memasok ketiga kebutuhan secara otomatis." Sebuah studi menemukan ChatGPT dapat mendukung otonomi, keterhubungan, dan kompetensi dalam pembelajaran bahasa — sebuah kemungkinan, bukan sifat. Apakah suatu interaksi mendukungnya adalah pertanyaan empiris tentang bagaimana ia digunakan.

Konsep terkait

Metadata

Audiensi sasaran	Learners
Pembelajaran dan pengajaran	Motivasi, Teori Determinasi Diri
Teknologi dan teknik	Komputasi Afektif
Dasar-dasar AI dalam pendidikan	AI dalam Pendidikan, Kompetensi AI Guru

Sumber Riwayat Sunting Obrolan