Regulasi Diri dalam Belajar

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

Regulasi diri dalam belajar (SRL) menggambarkan pembelajar sebagai peserta aktif yang dapat membentuk dan mengembangkan tindakan kognitif dan perilakunya secara berhasil. Alat AI dapat merancang perancah perkembangan SRL atau secara tak sengaja memutusnya dengan menghilangkan tuntutan regulatif yang membangun keahlian.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)(The Evidence Base on AI in K-12: A 2026 Review) Bukti longitudinal mempertajam pembedaan itu: penggunaan reflektif di sekitar alat AI memprediksi pemikiran kritis (β = 0.43) tetapi bukan perolehan pengetahuan, dan akses alat itu sendiri tidak mengubah keduanya.(Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study)

Pertanyaan yang Perlu Dipertimbangkan

• SRL menggambarkan pembelajar yang secara aktif mengelola pembelajarannya melalui tiga fase: prakiraan (penetapan tujuan, perencanaan, efikasi diri), kinerja (strategi, observasi diri), dan refleksi diri (evaluasi, adaptasi). Sebelum membaca, fase mana yang benar-benar Anda lakukan dengan baik — dan mana yang Anda lewati meskipun Anda tahu seharusnya lebih baik?
• Ketegangan inti halaman ini: AI dapat merancang perancah regulasi diri atau memutusnya dengan menghilangkan tuntutan regulatif yang membangun keahlian. Bagaimana alat yang membuat tugas lebih mudah juga dapat membuat Anda menjadi pengatur pembelajaran Anda sendiri yang lebih lemah — dan dapatkah Anda merasakan perbedaannya dalam penggunaan Anda sendiri?
• Siswa sering menunjukkan 'defisit produksi': mereka memiliki pengetahuan regulasi diri tetapi gagal menerapkannya secara spontan — meminta chatbot 'mengambil ide utamanya' dan melewati perencanaan serta pemantauan sepenuhnya. Pernahkah Anda mendapati diri melakukan padanan kognitif dari hal ini, bahkan saat mengetahui strategi yang lebih baik?
• Ketika dukungan tersedia, pertimbangan Anda sendiri dapat keluar dari gambaran: dalam satu studi data jejak, dukungan yang tersedia, bukan akurasi metakognitif pembelajar, yang menentukan strategi revisi yang dipilih. Jika bantuan eksternal mengesampingkan pembacaan Anda atas pembelajaran Anda sendiri, pertimbangan mana yang akan sengaja Anda pertahankan di tangan Anda sendiri?
• Penelitian menemukan 'celah miskalibrasi': siswa dapat merasakan lebih banyak belajar dengan GenAI sementara retensi mereka lebih sedikit — lebih memilih AI daripada mencatat meskipun retensinya lebih lemah. Jika Anda merasa produktif saat menggunakan alat, bagaimana Anda akan pernah menemukan bahwa Anda sebenarnya tidak belajar lebih banyak?
• Apakah GenAI berfungsi sebagai perancah, jalan pintas, atau mitra lebih bergantung pada kapasitas regulatif pembelajar daripada pada alat itu sendiri. Tetapi halaman ini juga menunjukkan regulasi diri meredam — namun tidak membatalkan — kerugian dari pengalihan kognitif yang mendalam. Apa arti kaveat 'meredam tetapi tidak membatalkan' itu bagi perancangan alat AI yang lebih baik?
• Tetapkan tujuan sebelum membaca: pilih satu tugas yang rutin Anda gunakan AI, dan putuskan lebih dulu fase SRL mana dari ketiganya (prakiraan, kinerja, refleksi) yang akan sengaja Anda lindungi dari otomatisasi. Hasil apa yang akan memberi tahu Anda bahwa itu berhasil?

Pendahuluan

SRL adalah proses di mana pembelajar secara aktif mengelola pembelajarannya sendiri melalui tiga fase yang saling terkait:

1. Prakiraan: Penetapan tujuan, perencanaan strategis, keyakinan Efikasi Diri
2. Kinerja: Penerapan strategi, observasi diri, pemusatan perhatian
3. Refleksi diri: Penilaian Diri, atribusi kausal, adaptasi

Pembelajar yang terampil meregulasi diri menggunakan strategi kognitif untuk meningkatkan keberhasilan dan memanfaatkan Metakognisi untuk menyempurnakan proses belajar mereka secara berkelanjutan.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Karya empiris dalam sebuah mata kuliah yang dimediasi teknologi menegaskan keterkaitan fase itu: dalam studi stokastika adaptif selama delapan minggu (194 siswa), nilai tugas, efikasi diri, orientasi tujuan, dan emosi positif pada fase pra-tindakan memprediksi perilaku regulatif dalam tindakan sementara emosi negatif menghambatnya, dan kepuasan pasca-tindakan mengalir maju ke fase pra-tindakan berikutnya (Mejeh & Fromm (2026)).

Pemetaan sistematis atas 84 studi AI–SRL menemukan bahwa penelitian terkonsentrasi pada mahasiswa pendidikan tinggi dan pada aspek metakognitif serta kognitif regulasi diri, dengan dimensi motivasional kurang dieksplorasi dan lebih dari sepertiga studi tidak mencantumkan teori SRL sama sekali (Banihashem et al. (2025)).

Yang krusial, SRL di sekitar AI dibentuk oleh persepsi sebagaimana oleh perilaku: Yilmaz et al. menunjukkan bahwa apakah siswa mempersepsikan umpan balik berasal dari AI atau manusia secara signifikan memengaruhi regulasi diri dan perilaku revisi mereka — pengingat bahwa pembingkaian sosial AI, bukan hanya isinya, mengubah cara pembelajar meregulasi di sekitarnya.

Satu modus kegagalan berada sebelum regulasi dimulai: prokrastinasi belajar berbantuan GenAI — penundaan yang tidak perlu dalam memulai pekerjaan yang didukung GenAI meskipun ada niat tulus untuk menggunakannya. Di antara 1,243 mahasiswa Cina, penggunaan GenAI yang lebih sering berjalan seiring dengan penggunaannya yang lebih sedikit (β = −0.195), dan kecemasan belajar GenAI memperkuat kaitan niat-penundaan (Li et al. (2026)).

Di mana GenAI masuk ke dalam siklus menentukan efeknya: dengan memetakan fase prakiraan, kinerja, dan refleksi Zimmerman ke lingkungan yang dimediasi AI, sebuah kerangka ko-agensi berargumen bahwa titik masuknya menentukan apakah alat memperkuat atau mengikis rasa kendali pembelajar, dan bahwa pengalihan hanya mendukung pembelajaran transformatif ketika keputusannya disengaja alih-alih rutin (Poudyal (2026)).

Survei lintas-seksi atas 434 mahasiswa pendidikan khusus mengukur satu rantai semacam itu: literasi GenAI berasosiasi positif dengan perilaku regulasi diri dalam belajar berbantuan GenAI (B total = 0.701), terutama melalui agensi belajar (B = 0.345) alih-alih emosi tantangan (B = 0.061) (Yang et al. (2026)).

Regulasi diri metakognitif adalah hasil yang diukur, bukan asumsi, dalam Shao, Tang dan Ju (2026), yang menemukan bahwa kelas terbalik berbasis AI-VR menaikkannya bersama prestasi, dan bahwa pembelajar dengan literasi teknologi lebih tinggi memperoleh manfaat lebih besar.

Dukungan Digital untuk SRL

Jurnal Belajar

Jurnal belajar adalah intervensi SRL yang menjanjikan: dengan merefleksikan proses belajar mereka, siswa meningkatkan kesadaran akan kognisi dan memperkuat kapasitas regulatif. Pertimbangan desain utama:

• Struktur penting: Jurnal terbuka sering menghasilkan entri yang dangkal; prompt terpandu dan contoh model meningkatkan kedalaman
• Peluruhan motivasi: Aplikasi jurnal seluler umumnya mengalami penurunan keterlibatan yang cepat setelah beberapa hari
• Trade-off perancah: Bantuan AI yang menuliskan refleksi untuk siswa melemahkan praktik SRL; bantuan yang menstrukturkan prompt tanpa menyusun konten mempertahankannya

Dasbor yang mengomunikasikan profil SRL kepada guru

Mejia-Domenzain et al. (2026) memperluas dukungan SRL digital ke sisi guru: dasbor Analitik Pembelajaran mereka (DashED) mengomunikasikan profil regulasi diri dalam belajar yang diturunkan dari ML kepada guru di kelas campuran, dan bagaimana guru bertindak atas profil itu bergantung konteks. Dalam penggunaan, guru kelas terbalik (universitas) mengikuti eksplorasi berurutan dan menyukai adaptasi tingkat mata kuliah serta menampilkan dasbor di kelas, sementara guru kejuruan meninjau ulang halaman ringkasan dan menggunakan alat itu terutama untuk sesi pembinaan individual. Tindakan yang diusulkan guru dibentuk oleh konten yang direpresentasikan dan tingkat pengajaran mereka alih-alih jenis plot — guru universitas menyukai ujian mingguan dan adaptasi mata kuliah, guru kejuruan menyukai pembinaan individual yang langsung. Ini memosisikan dasbor sebagai perancah bagi regulasi pengajaran oleh guru, dengan kebutuhan desain yang bervariasi menurut konteks alih-alih satu antarmuka optimal.

Padanan yang berhadapan dengan siswa lebih jarang: dasbor yang menunjukkan kepada 46 siswa menengah prompt GenAI mereka sendiri dan tumpang tindih teks mereka dengan balasan model dibuka hanya oleh sekitar sepertiga kelas, sehingga pemaparan sukarela, bukan visualisasinya, menjadi kendala pengikat (Fong et al. (2026)).

Eksperimen 2×2 Scheu et al. (2026)

Dalam eksperimen lapangan acak dengan 179 siswa selama 22 hari, dua prinsip desain dibandingkan:

Wawasan kunci: Mata kuliah itu meningkatkan keterampilan SRL dan motivasi intrinsik melalui transfer keterampilan, sementara asisten meningkatkan keterlibatan tanpa memengaruhi motivasi.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Alat AI dan Lingkaran Timbal Balik SRL–Motivasi

Prinsip dasar teori SRL adalah bahwa keterampilan regulasi diri dan Motivasi membentuk hubungan timbal balik:

• SRL lebih baik → pembelajaran lebih berhasil → efikasi diri lebih tinggi → motivasi lebih kuat
• Motivasi lebih tinggi → keterlibatan lebih berupaya → praktik SRL lebih baik

Alat AI dapat masuk ke lingkaran ini pada titik yang berbeda:

• Desain mengutamakan SRL (misalnya mata kuliah terstruktur, petunjuk bertahap, prompt refleksi): Memperkuat lingkaran dengan membangun keterampilan yang sejati
• Desain mengutamakan keterlibatan (misalnya pelengkapan otomatis, generasi konten): Dapat mendongkrak keterlibatan perilaku tanpa masuk ke lingkaran motivasi, berisiko menimbulkan ketergantungan pada alat

Regulasi Strategis GenAI sebagai SRL

Kim (2026) membingkai ulang penggunaan GenAI yang efektif dalam penulisan akademik sebagai regulasi strategis — praktik SRL yang dijalankan berupa memverifikasi, merevisi, mengadopsi secara selektif, atau menolak keluaran AI. Dalam studi metode campuran terhadap 107 siswa, kecemasan AI yang lebih tinggi berasosiasi positif dengan verifikasi dan revisi (β=.24), sementara kapasitas evaluatif memprediksi revisi aktif dan integrasi selektif (β=.46). Siswa terkelompok ke dalam empat tipe regulatif — Ketergantungan Tanpa Kritik (18.7%), Integrasi Selektif (34.6%), Transformasi Evaluatif (31.8%), dan Penolakan Strategis (14.9%) — menunjukkan bahwa Literasi AI di Pendidikan Tinggi berfungsi bukan sebagai penerimaan melainkan sebagai kompetensi regulatif yang berlandaskan pertimbangan evaluatif dan tanggung jawab etis. Ini memosisikan SRL sebagai mekanisme inti yang membedakan penggunaan AI yang kritis dari yang tidak kritis.

Pengaturan atas alat itu sendiri merupakan segi yang dapat diukur: validasi dua gelombang dengan pembelajar EFL Cina (EFA N = 305; CFA N = 342) memisahkan enam dimensi regulatif dan menamai regulasi lingkungan — memeriksa akurasi keluaran yang dihasilkan, menyaring sumber daya yang disarankan, dan menetapkan batas ketergantungan — sebagai salah satu dimensi tersendiri (Wang, Zhang dan Zhang (2026)).

Klasifikasikan sebelum mendelegasikan: Tsim dan Gutoreva (2025) mengubah regulasi diri menjadi protokol per tugas — beri label setiap subtugas Substitusi, Komplemen, Bantuan, atau Tidak Dapat Dinegosiasikan, justifikasi dalam catatan metakognitif singkat, dan simpan jejak audit prompt, draf, dan revisi manusia — dengan siklus berulang sehingga penetapan satu tugas menginformasikan tugas berikutnya. Setiap prompt sebagai jejak regulatif. Membaca 429 prompt dari 23 siswa sebagai peristiwa regulasi diri dalam belajar menunjukkan campuran struktur yang bergeser mengikuti desain tugas sementara 53 dari 59 kiriman tetap dekat dengan keluaran model, menempatkan regulasi pada pertukaran alih-alih pada artefak (Kontorovich & Wallach (2026)). Interaksi itu sendiri sebagai objek regulasi. Brunnström dan Palmqvist (2026) mendokumentasikan tuntutan regulasi yang sama dari arah lain: dalam demonstrasi delapan putaran menggunakan chatbot untuk menyiapkan jawaban ujian yang dibawa pulang, keluaran bawaan AI tetap berada di ujung kuantitatif, multistruktural taksonomi SOLO — rapi, siap dikumpulkan, dan tipis secara pedagogis — dan mencapai lingkaran belajar tiga langkah yang dapat digunakan hanya setelah intervensi meta-level berulang ("ini terlalu banyak, bisa Anda ringkas?"). Kesimpulan mereka adalah bahwa penggunaan yang produktif menuntut "keterampilan regulasi diri yang justru diharapkan didukung alat itu": pembelajar harus menetapkan tujuan bertahap, meminta penyesuaian kesulitan, dan merefleksikan apa yang belum dipahami, di atas konten disipliner itu sendiri. Mereka menamai kapasitas ini literasi interaksi AI dan memperlakukan pelepasan diri dari alat sebagai keputusan regulatif yang sah alih-alih kegagalan ketekunan (Metakognisi).

• Kepuasan bukan regulasi diri. Liang et al. (2026) mensurvei 689 mahasiswa dalam program industri-pendidikan dan menguji model mediasi berseri di mana affordans yang dipersepsikan dari konten yang dihasilkan AI menaikkan Efikasi Diri AIGC (beta = 0.583) dan, melaluinya, Motivasi belajar (beta = 0.565) dan regulasi diri dalam belajar (beta = 0.250), dengan motivasi sebagai prediktor tunggal terberat SRL (beta = 0.527). Hasil negatif yang menanggung beban berdiri di samping jalur-jalur itu: kualitas umpan balik penilaian AI memprediksi kepuasan secara kuat (beta = 0.712) tetapi tidak efikasi diri (beta = 0.131), dan kepuasan tidak berpengaruh signifikan terhadap regulasi diri dalam belajar (beta = 0.032). Asisten yang disukai dan berfungsi baik karena itu bukan bukti bahwa regulasi membaik — mekanismenya berjalan melalui kepercayaan diri dan motivasi, bukan melalui pengalaman pembelajar atas alat itu.

Ketergantungan bekerja melalui regulasi usaha, bukan volume penggunaan. Dalam survei atas 982 mahasiswa, ketergantungan GenAI memprediksi regulasi usaha yang lebih rendah (β = −0.257), yang memprediksi hasil belajar yang dipersepsikan (β = 0.497), memberi jalur tidak langsung yang negatif (β = −0.128) sementara frekuensi penggunaan tidak membawa asosiasi total yang signifikan (Li, Zhang dan Yang (2026)).

Refleksi yang sadar-GenAI sebagai SRL

Model Refleksi 5P (Kadel et al. 2026) memusatkan kembali refleksi terstruktur di era GenAI sebagai praktik SRL yang dijalankan. Karena pembelajar semakin menciptakan makna bersama AI, model refleksi tradisional kesulitan mengautentikasi refleksi siswa, sehingga model 5P (Purpose, Process, Product, Pitfalls, Plan) memadukan penetapan tujuan yang digerakkan prakiraan, refleksi-dalam-tindakan (mendokumentasikan prompt dan iterasi), refleksi-atas-tindakan (memvalidasi keluaran probabilistik terhadap sumber eksternal), tahap pitfalls eksplisit untuk halusinasi, plagiarisme, dan ketergantungan berlebih, serta rencana yang berorientasi ke depan — menyematkan pemantauan emosional di sepanjang proses. Filosofinya "proses di atas produk" memperlakukan dokumentasi terstruktur atas interaksi manusia-AI sebagai tuntutan regulatif yang mempertahankan autentisitas, Agensi Pembelajar, dan kedalaman metakognitif, memosisikan refleksi yang sadar-GenAI sebagai perancah bagi regulasi diri alih-alih penggantinya.

Hubungan dengan Desain Khusus Tutoring

AI khusus tutoring sejalan dengan desain yang mengutamakan SRL: ia menyediakan perancah bertahap yang mempertahankan Agensi Pembelajar dan menuntut regulasi diri yang strategis. AI serbaguna sering menghilangkan tuntutan regulatif sepenuhnya.(The Evidence Base on AI in K-12: A 2026 Review)

Misalnya:

• Chatbot khusus tutoring Bastani et al. mempertahankan penalaran langkah demi langkah (tuntutan SRL)
• Varian GPT serbaguna hanya menyediakan jawaban (melewati SRL)

Bukti di Berbagai Konteks

• Bukti campuran dan celah miskalibrasi. Tinjauan cepat penelitian GenAI PreK-12 menemukan bahwa keuntungan metakognitif selama tugas yang didukung sering tidak bertahan ketika dukungan dicabut, dan bahwa GenAI dapat menaikkan persepsi belajar bahkan ketika pembelajaran yang tahan lama tidak ada (celah miskalibrasi — siswa lebih memilih GenAI daripada mencatat meskipun retensinya lebih lemah). Siswa memerlukan pelatihan eksplisit yang sesuai tahap untuk memutuskan apa yang didelegasikan dan kapan usaha mandiri penting.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

• SRL jarang menjadi target aktif. Di antara 394 studi GenAI pendidikan tinggi, regulasi diri dalam belajar dan refleksi termasuk penggunaan yang paling jarang dijalankan dan hasil yang paling jarang disasar (Lin et al. (2026)).

• Ketegangan inisiatif agentik vs. regulasi diri. Woollaston et al. (2026) mencatat bahwa semakin agen mengotomatiskan sebagian tugas, semakin sedikit kerja kognitif teregulasi yang dilakukan pembelajar — sehingga desain harus memberi pembelajar kendali atas inisiasi agen (perancah dinamis yang memudar) untuk mempertahankan kapasitas regulatif alih-alih mengalihdayakannya.

• Regulasi diri membentuk penggunaan asisten pengodean AI. Sebuah studi tentang asisten pengodean AI menemukan siswa dengan berpikir komputasional tinggi menunjukkan koherensi regulatif diri yang lebih kuat (perencanaan-eksekusi-refleksi diri) dan menggunakan AICA untuk memahami kode, sementara siswa dengan CT rendah menggunakannya untuk mengambil jawaban langsung.

• SRL beriringan dengan distraksi digital yang lebih rendah dalam pembelajaran daring. Shi et al. (2026), menggunakan penambangan data tak terawasi pada 530 mahasiswa, menemukan bahwa strategi SRL — penetapan tujuan, penataan lingkungan, dan manajemen waktu — paling konsisten beriringan dengan distraksi digital yang lebih rendah dalam pembelajaran daring, bersama keterlibatan pembelajar-pengajar dan pembelajar-konten. Temuan ini memosisikan pelatihan SRL yang konkret sebagai intervensi berpengungkit tinggi bagi belajar daring yang terfokus.

• Kesadaran metakognitif, bukan akses alat, adalah pendorong terkuat kinerja STEM adaptif. Alatoai dan Alshahri (2026) membangun dan memvalidasi AI-STEM-MLCS dengan 649 siswa menengah di Arab Saudi (CFI = 0.983, RMSEA = 0.019; ω McDonald = 0.888 hingga 0.905) dan menemukan keempat dimensinya menjelaskan 68% varians kinerja regulasi diri dalam belajar (R² = 0.68). Kesadaran metakognitif berbasis AI adalah prediktor terkuat (β = 0.38, p < 0.001), diikuti transfer kognitif dan daya suai (β = 0.29, p = 0.008) serta regulasi diri dalam belajar yang diperkaya AI (β = 0.21, p = 0.040), sementara penalaran AI-STEM kreatif dan kritis tidak memprediksi kriteria (β = 0.14, p = 0.135). Penulis membaca pola itu sebagai bukti bahwa umpan balik adaptif menaikkan kinerja STEM terutama dengan mendorong pembelajar memeriksa kesalahan, mengalibrasi ulang, dan menggunakan kembali strategi, sehingga instrumen itu bekerja lebih baik sebagai diagnostik yang menemukan celah meta-belajar daripada sebagai satu skor global. Ia adalah ukuran laporan diri yang divalidasi dalam satu sistem nasional, sehingga koefisiennya bersifat sementara.

• Dukungan eksternal dapat melewati pertimbangan metakognitif pembelajar sendiri. Iqbal et al. (2026) melacak 87 siswa EFL yang merevisi esai di bawah dukungan GenAI (ChatGPT 4.0), pakar manusia, atau tanpa dukungan. Kondisi dukungan jauh merupakan korelat terkuat dari strategi revisi yang dipilih siswa (Cramér's V = 0.668), jauh di depan carry-over dari tugas menulis sebelumnya (V = 0.333), sementara akurasi pertimbangan metakognitif (p = 0.172), keterampilan menulis (p = 0.261), dan Motivasi (p = 0.683) tidak berasosiasi. Pertimbangan metakognitif mengikuti strategi hanya ketika tidak ada dukungan yang tersedia (uji permutasi p = 0.0460). Siswa dengan dukungan GenAI memperoleh paling banyak (sekitar 4 poin rata-rata pada strategi pencarian bantuan yang menurun, berbanding −0.5 poin untuk strategi yang sama di bawah dukungan pakar manusia), namun tidak ada strategi revisi yang berasosiasi dengan perubahan skor (H(3) = 3.895, p = 0.273), sehingga keuntungannya berasal dari alat alih-alih dari regulasi diri yang lebih baik. Orientasi penulis adalah bahwa GenAI seharusnya mendorong refleksi atas strategi revisi seseorang alih-alih menyediakan bantuan langsung.

• Penggunaan reflektif mengikuti pemikiran kritis, bukan perolehan pengetahuan. Melanou et al. (2026) mengikuti tiga kelas paralel mahasiswa informatika bisnis (N = 87) selama mata kuliah sembilan minggu, dengan pengetahuan naik di setiap kelompok (F(1, 50) = 29.87, p < 0.001, η²p = 0.374) dan tanpa keunggulan AI, tanpa interaksi Waktu × Kelompok, dan tanpa efek Matius (F(1, 48) = 2.46, p = 0.124; BF01 = 8.70). Penggunaan reflektif (memeriksa sumber dan memverifikasi keluaran AI sebelum mengadopsinya) jauh lebih tinggi pada kondisi AI (3.72 vs 2.82; F(1, 40) = 20.21, p < 0.001) dan memprediksi pemikiran kritis (β = 0.43, p < 0.001) tetapi tidak perolehan pengetahuan, yang justru diprediksi beban kognitif germane (β = 0.51, p = 0.001). Pembacaan praktisnya adalah bahwa akses AI bukan intervensi itu sendiri, dan bahwa hasil metakognitifnya muncul pada kualitas penalaran sebelum muncul pada skor ujian.

• Struktur, bukan AI semata, mendorong keuntungan SRL. Memetakan fase Zimmerman ke pengajaran hibrida berbasis proyek dengan AI sebagai perancah metakognitif menghasilkan N-Gain 0.72 berbanding 0.28 untuk pengajaran konvensional (t = 8.47, p < 0.001, Priyambudi et al. (2026)), yang berargumen bahwa AI memperkuat regulasi diri hanya di dalam struktur tugas — penggunaan tak terstruktur berisiko menimbulkan kemalasan metakognitif.

• Kecepatan AI dapat menggusur dialog sebaya yang membawa ko-regulasi. Mengodekan 28,123 kalimat forum di empat mata kuliah pascasarjana, satu hanya manusia dan dua dengan penggunaan asisten pengajar AI yang berat, Davis et al. (2026) menemukan asisten AI menjadi penanggap pertama di 97% utas tugas yang dimulai siswa, dengan median 0.92 menit untuk balasannya berbanding 490 ketika seorang sebaya membalas lebih dulu. Pembukaan utas tidak berubah (p = .73) tetapi pos balasan turun dari 18.2 menjadi 10.9 per siswa (p < .001), dan porsi kalimat lanjutan dari pembalas sebaya turun dari 91% menjadi 45% antara kedua paruh semester.

• Penurunan SRL yang dihasilkan bersifat komposisional. Karena pembalas sebaya memasok sekitar 70% kalimat berkode SRL berbanding 20 hingga 27% untuk pembuka utas, bahasa regulatif agregat turun dari 49% menjadi 36% (p < .001). Laju masing-masing peran tetap stabil, sehingga penurunannya mencerminkan siapa yang menulis alih-alih perubahan cara individu menulis. Regulasi diri tetap memprediksi nilai (β = 2.63, p = .017), dan balasan sebaya memoderasi hubungan itu (β = 1.45, p = .013). Penalti nilai yang melekat pada utas yang didominasi AI (β ≈ −1.38, p = .038) kemudian hilang setelah 17 pengatur diri tinggi dikeluarkan (β ≈ −1.29, p = .454), yang dibaca penulis sebagai biaya yang berjalan melalui hilangnya ko-regulasi alih-alih melalui AI secara langsung. Studi ini observasional, sehingga mekanismenya tetap belum terbukti.

• Perancah emosional menggerakkan fase SRL terukur-jejak yang tidak digerakkan perancah kognitif semata, dan laporan diri hampir tidak melihatnya. Eksperimen terdaftar lebih dulu dengan 144 siswa sekolah menengah membandingkan ChatGPT biasa, agen perancah SRL, dan versi emosional yang menanyakan perasaan pada tiga titik serta menyesuaikan nada dan tantangan sepanjang garis control-value. Pengodean jejak menemukan efek kondisi yang besar pada ketiga fase (ε2 = 0.44 prakiraan, 0.34 kinerja, 0.34 refleksi diri). Prompt SRL saja menaikkan penetapan tujuan dan perencanaan ke tingkat versi emosional, sementara lapisan emosional menambahkan lebih banyak aktivitas fase kinerja (r = 0.22) dan refleksi diri (r = 0.31). SRL yang dilaporkan sendiri hanya memisahkan kondisi pada fase kinerja; korelasi jejak-laporan diri adalah 0.313 di sana, 0.22 untuk prakiraan, dan 0.04 untuk refleksi diri. Penulis membaca perbedaan jejak itu sebagai pelaksanaan yang diregulasi bersama alih-alih kapasitas regulatif independen (Diordiev, Stenberdt & Makransky, 2026).

• Dalam kelompok, regulasi dipicu oleh prompt AI itu sendiri, dan keragaman prakonsepsi mengubah cara prompt itu mendarat. Wang et al. (2026) membandingkan 8 kelompok guru prajabatan dengan prakonsepsi berbeda dan 6 kelompok dengan prakonsepsi serupa yang bekerja dengan chatbot metakognitif sesuai permintaan dan agen suara proaktif. Fungsi prompt konvergen antar kondisi pada 39 prompt, 18 berbanding 21, sementara struktur sekuensial tidak: kelompok beragam mempertahankan evaluasi positif atau netral atas keluaran dan kelompok serupa mempertahankan evaluasi negatif bersama kesepakatan tugas yang berulang. Pemeriksaan data mentah menelusuri sebagian lingkaran negatif itu ke agen bicara proaktif, sehingga penulis membacanya sebagai ketidaksesuaian waktu dan modalitas alih-alih penolakan atas dukungan. Implikasi desain mereka adalah bahwa dukungan regulasi bersama dalam kelompok yang sudah konvergen sebaiknya tetap opsional.

SRL yang Dimediasi LLM: Perancah, Jalan Pintas, atau Mitra?

Sekelompok studi Learning Letters (2026) bertemu pada satu ketegangan sentral: GenAI dapat merancang perancah, memutus, atau bermitra dengan regulasi diri tergantung desain dan bagaimana pembelajar meregulasi penggunaannya. Bukti menunjukkan SRL itu sendiri — bukan alat — sebagai variabel penentu.

• Viberg et al. menemukan bahwa LLM terjalin ke dalam ekosistem pencarian bantuan berlapis alih-alih menggantikan dukungan manusia: siswa mencoba tugas secara mandiri lebih dulu, lalu berkonsultasi dengan ChatGPT sebagai langkah pertama berambang rendah, dengan sebaya untuk negosiasi konseptual, dan dengan pengajar untuk isu berisiko tinggi. Mereka menyukai pencarian bantuan instrumental (petunjuk, panduan langkah demi langkah) di atas pencarian bantuan eksekutif (solusi langsung), menjalankan kepercayaan selektif dan memverifikasi keluaran terhadap materi mata kuliah — proses empat tahap (memutuskan apakah bantuan diperlukan, memilih kepada siapa bertanya, menentukan jenis bantuan, menilai bantuan yang diterima) yang dapat diukur dan diajarkan.
• Atif & Dickson-Deane membingkai penggunaan GenAI sebagai Offloading Kognitif yang dapat berupa diperancah (pembelajar mengkritik dan mengadaptasi keluaran AI, mempertahankan Agensi Pembelajar dan pemaknaan) atau substitusional (pembelajar menerima keluaran dengan verifikasi minimal, mengalihkan kendali ke alat). Dalam studi terhadap 267 mahasiswa pascasarjana TI, alat yang sama dapat merancang perancah atau menjadi jalan pintas bagi SRL tergantung strategi pembelajar — pengguna yang percaya diri menunjukkan agensi dalam penetapan tujuan dan pemantauan; pengguna yang kurang percaya diri melihat GenAI sebagai jalan pintas atau pelanggaran.
• Lim & Bannert menunjukkan risikonya secara konkret: siswa secara sukarela menggunakan chatbot genAI (73%) dan mendapat skor lebih tinggi pada esai, tetapi mereka mengalihkan pemahaman dan sintesis (meminta chatbot "mengambil hanya ide utamanya") dan hampir tidak melakukan perencanaan atau pemantauan — mengalihdayakan keputusan regulatif kunci. Ini mencerminkan defisit produksi: siswa memiliki pengetahuan SRL tetapi gagal menerapkannya secara spontan, sehingga alat genAI seharusnya mendorong refleksi (perancah pemantauan) ketika kueri menunjukkan pengalihan.
• Song et al. menunjukkan bahwa SRL adalah aptitud yang stabil sekaligus keadaan yang dinamis: garis dasar individu konsisten, tetapi pengetahuan metakognitif dan kesejahteraan menurun secara sistemik sepanjang semester, didorong tenggat penilaian. Mereka menunjukkan GenAI dapat bertindak sebagai mitra belajar yang sadar konteks ketika diberi data personal, temporal, dan kontekstual — mendukung siswa tanpa menggantikan usaha mereka. Ini menentang personalisasi "sekali cocok untuk semua" yang hanya berdasarkan aptitud garis dasar.
• de Barba memperluas SRL secara teoretis, berargumen bahwa bidang ini telah menyempit ke regulasi yang berfokus pada tugas dan ke proksi perilaku yang dapat dioptimalkan dalam teknologi pendidikan. Makalah itu mengusulkan uraian lintas-skala tentang agensi pembelajar — regulasi (di dalam tugas), integrasi (lintas waktu dan konteks), dan posisi (secara kritis terhadap kondisi yang membingkai pembelajaran) — sebagai orientasi desain bagi lingkungan yang dimediasi algoritmik.
• Regulasi diri meredam tetapi tidak membatalkan kerugian pengalihan. Chen (2026) menunjukkan bahwa menulis dengan regulasi diri melemahkan — tetapi tidak menghapus — asosiasi negatif antara pengalihan kognitif mendalam dan hasil mandiri tanpa AI dalam menulis berbantuan GenAI: interaksi pengalihan-demi-SRL bersifat positif (B = 0.22), mendatarkan kerugian dari kemiringan −0.54 (SRL rendah) ke −0.33 (SRL tinggi) tetapi tidak membatalkannya. Kondisi dukungan terbatas yang memasangkan batas delegasi dengan refleksi wajib menghasilkan kinerja mandiri terkuat, bukti bahwa regulasi metakognitif sebagian melindungi pembelajar namun tidak sepenuhnya mengompensasi pendelegasian kerja kognitif itu sendiri.

Di mana sewa berada di dalam model Winne. de Barba (2026) memetakan mekanisme itu ke SRL sebagai operasi yang dijalankan sistem menggantikan pembelajar: menyadari, memantau, dan pertimbangan evaluatif dijalankan oleh alat, kemacetan diselesaikan melalui pencarian alih-alih melalui pilihan If-Then, Else pembelajar sendiri, dan standar yang dipakai pembelajar untuk menilai dipinjam alih-alih dibangun. Kapabilitas yang diyakini dimiliki pembelajar sementara alat yang memegangnya — sewa tersembunyi — menekan sinyal galat yang seharusnya memicu regulasi, dan sepuluh proposisi merinci apa yang harus diuji, termasuk biaya yang lebih besar dalam aklimasi domain dan standar yang bergeser ke arah titik rujukan model itu sendiri.

Pelajaran kolektifnya: SRL adalah mekanisme inti yang membedakan penggunaan AI yang kritis dari yang tidak kritis. Apakah GenAI berfungsi sebagai perancah, jalan pintas, atau mitra bergantung pada kapasitas regulatif pembelajar dan pada apakah alat dirancang untuk mempertahankan (bukan menghilangkan) tuntutan regulatif yang membangun keahlian.

Dukungan mana yang sedang berperan menentukan mediator mana yang membawa asosiasi: di antara 3,003 guru prajabatan Cina, dukungan alat AI yang dipersepsikan berjalan ke kompetensi inovatif terutama melalui Efikasi Diri AI (60.88% dari efek total jalur itu), sementara dukungan lingkungan cerdas berbasis sekolah yang dipersepsikan berjalan terutama melalui regulasi diri dalam belajar (29.64% berbanding 18.60%) (Liu et al. (2026)).

Implikasi

• Bagi alat jurnal/chatbot: Padukan instruksi SRL (berbasis mata kuliah) dengan dukungan menulis opsional untuk memperoleh keuntungan motivasi sekaligus keterlibatan
• Bagi perancang alat: Jadikan evaluasi langkah wajib, bukan opsional. Iqbal et al. menemukan bahwa dukungan yang tersedia, bukan pertimbangan metakognitif pembelajar, yang menentukan strategi revisi yang digunakan siswa dan bahwa keuntungan skor GenAI tidak berasal dari regulasi yang lebih baik, sementara Melanou et al. menemukan penggunaan reflektif memprediksi pemikiran kritis sedangkan akses alat semata tidak. Interaksi yang meminta pembelajar memverifikasi, membandingkan, dan menyusun ulang strategi adalah yang membawa nilai belajar.
• Bagi pengajar: Perlakukan kesadaran metakognitif berbasis AI sebagai tuas pertama dan periksa secara eksplisit. Alatoai dan Alshahri menemukannya sebagai prediktor terkuat kinerja STEM adaptif (β = 0.38) dan bahwa transfer serta daya suai berada di urutan kedua (β = 0.29), sehingga aktivitas yang membuat siswa memeriksa kesalahan dan membawa strategi ke konteks masalah baru berbuat lebih banyak daripada prompt umum untuk penalaran kritis atau kreatif.
• Bagi kebijakan AI: Kriteria pengadaan harus menanyakan apakah suatu alat mengembangkan atau menggusur regulasi diri
• Bagi peneliti: Studi jangka panjang yang mengukur hasil SRL (bukan hanya kinerja langsung) sangat penting; Melanou et al. menunjukkan hasil dari kesabaran itu, karena penggunaan reflektif selama satu semester menggerakkan pemikiran kritis (β = 0.43) tanpa menggerakkan perolehan pengetahuan.

Agen Percakapan dan SRL dalam Permainan Simulasi

• Agen percakapan yang mendukung regulasi diri dalam belajar dalam permainan. Wenzel, Geiger, dan Liening (2026) menunjukkan bahwa agen percakapan AI (Lara) dalam permainan simulasi bisnis dapat mendukung regulasi diri dalam belajar melalui umpan balik formatif berbasis metrik, panduan sesuai permintaan, dan refleksi terstruktur — menjawab keterbatasan umum bahwa permainan simulasi menyediakan umpan balik formatif dan prompt refleksi yang terbatas. Evaluasi dengan guru prajabatan dan peserta BSG melaporkan persepsi positif atas kehadiran kognitif dan sosial agen serta dukungannya bagi regulasi diri.

Deteksi SRL Otomatis: Apa yang Bertransfer dan Apa yang Tidak

• Pengklasifikasi SRL berbasis embedding melintasi bahasa dalam satu domain, tetapi tidak lintas domain. Studi atas 26 siswa (kimia dan logika formal; protokol berpikir-keras yang dikodekan dengan model Winne-and-Hadwin) menemukan model berbasis embedding (text-embedding-3-small) yang dilatih pada bahasa Inggris mengklasifikasikan SRL bahasa Jerman pada ~0.8 AUC dengan degradasi ~0.1 — kecuali enacting (~0.7). Transfer lintas domain gagal: kimia-ke-logika turun ke ~0.6, enacting ke tingkat kebetulan (~0.5) — dinding domain, bukan bahasa, yang mengikat.
• Tiga modus kegagalan menjelaskan di mana transfer patah. (1) Resolusi konsep pada makna sehari-hari alih-alih makna domain — "cancel" vs. "kürzen" dalam kimia — mematahkan klasifikasi enact. (2) Antropomorfisasi — siswa Jerman yang tidak terbiasa dengan tutor yang sangat diperancah menyapanya sebagai pribadi, menghasilkan ujaran di luar distribusi; transfer lebih baik pada platform yang kurang diperancah. (3) Ambiguitas antara membaca petunjuk dan merumuskan rencana — model tidak dapat membedakan membaca petunjuk metakognitif dari merencanakan tanpa data log. Menyadari kesalahan bersifat tangguh di setiap kondisi — menyadari Anda salah tidak bergantung konteks. Perbaikannya: kamus pakar atau penyetelan halus untuk istilah domain; data log untuk petunjuk. (Large language models generalize SRL prediction to new languages within but not between domains)
• Isyarat dangkal mengatribusikan regulasi secara berlebihan dalam pemetaan kurikulum. Diberi deskripsi penilaian, GPT-o3-mini membaca penyebutan tenggat atau penjadwalan sebagai bukti keterampilan regulasi diri; Manajemen Diri terlalu sering teridentifikasi dengan cara ini, dengan kesepakatannya terhadap bobot pakar berkisar dari 0.53 hingga -0.03 (Jayalath et al., 2026).
• Rantai pertanyaan terstruktur mengubah prompting menjadi regulasi. Dalam kuasi-eksperimen dengan 83 mahasiswa, kedua kondisi rantai pertanyaan menghasilkan perilaku strategi belajar dan pemantauan yang lebih banyak daripada pertanyaan bebas (χ² = 6.551, p = .038) dan mendapat skor lebih tinggi pada kesadaran metakognitif serta prestasi (F = 3.406, p = .038; F = 3.807, p = .035), tanpa perbedaan antara bentuk rantainya (Lin et al., 2026). Urutanlah yang melakukan kerjanya.
• Deteksi tingkat kelompok mengikuti pembelahan yang sama, dan tuturan membawa lebih banyak daripada log. Dalam diad yang memodelkan gerak sebuah truk di C2STEM, 394 segmen konteks tugas dari 36 siswa sekolah menengah dilabeli dengan tujuh kode regulasi yang dibagi secara sosial dan diprediksi dari ringkasan LLM atas setiap segmen: embedding berbasis teks mencapai AUC rata-rata 0.650 sementara fitur turunan log saja mencapai 0.526, mendekati kebetulan untuk konstruk yang sebagian besar bersifat sosial. Perencanaan tidak terlihat dalam satu segmen (0.5036) dan menjadi terdeteksi setelah dua segmen di kedua sisinya digabungkan (0.6711), sedangkan merefleksi paling baik setelah log ditambahkan (0.5862), ambiguitas membaca-petunjuk-versus-merencanakan yang sama yang dicatat bagian ini untuk pembelajar individual (Zhang et al., 2026).
• Label SRL otomatis bertahan untuk enacting dan gagal untuk perencanaan. Dalam kelas sains mixed-reality kelas empat, pipeline yang memadukan tatapan, gestur, tuturan, dan log permainan melabeli 75 segmen yang diperiksa manusia pada 74.67% secara keseluruhan, dari 93.3% untuk enacting dan berinteraksi hingga 46.7% untuk perencanaan (Fonteles et al., 2026).

Miskonsepsi Umum

• "Regulasi diri adalah sifat pembelajar." Pembelajaran teregulasi terurai menjadi refleksi diri, atribusi kausal, dan adaptasi, dan pembelajar yang terampil menggunakan strategi kognitif untuk meningkatkan keberhasilan. Ini adalah proses yang dapat dilatih dan dapat didukung atau dirusak oleh desain.
• "Desain adaptif apa pun mendukung regulasi secara setara." Eksperimen lapangan acak 2x2 Scheu et al. dengan 179 siswa selama 22 hari membandingkan dua prinsip desain dan menemukannya berbeda dalam mekanisme, sehingga "adaptif" bukan satu perlakuan.
• "Kecemasan merusak regulasi." Dalam studi metode campuran terhadap 107 siswa, kecemasan AI yang lebih tinggi berasosiasi positif dengan verifikasi dan pemeriksaan ulang. Kecemasan berfungsi sebagai pemicu untuk memverifikasi, yang merupakan regulasi alih-alih ketiadaannya.
• SRL metakognitif memprediksi beban yang relevan bagi pembelajaran di tempat umpan balik AI tidak. Dalam studi lapangan lima minggu dengan 234 siswa dan 1,147 observasi, regulasi diri metakognitif merupakan prediktor positif substansial bagi beban kognitif germane (β = .363, p < .001 intention-to-treat; .346, p < .001 berbasis penggunaan) dan tidak secara signifikan memprediksi beban ekstraneus — sementara akses semata ke umpan balik AI percakapan tidak memprediksi keduanya. Hanya keterlibatan berkelanjutan dengan umpan balik yang memisahkan siswa pada beban germane, dan penggunaan tidak teratur tidak (β = −.219, p = .116), yang menempatkan bahan aktifnya pada regulasi pemrosesan oleh pembelajar alih-alih pada pasokan umpan balik (Wenzel, Geiger dan Liening, 2026).

Konsep terkait

• Pembelajar — Pembelajar: payung bagi konsep-konsep sisi pembelajar
• Metakognisi — pemantauan kognitif yang menjadi andalan SRL
• Penilaian Diri
• Efikasi Diri — keyakinan fase prakiraan yang menggerakkan usaha
• Perancah — dukungan bertahap yang mempertahankan tuntutan regulatif
• Umpan Balik — masukan yang di sekitarnya pembelajar meregulasi
• Literasi Umpan Balik — kapasitas untuk bertindak atas umpan balik
• Pencarian Bantuan — perilaku SRL yang strategis
• Motivasi — mitra timbal balik regulasi diri
• Offloading Kognitif — risiko ketika AI menghilangkan kerja regulatif
• AI Generatif — teknologi yang dapat merancang perancah atau memutus SRL
• Literasi AI — kompetensi regulatif dalam penggunaan AI
• Pembelajaran Mandiri — konstruk otonomi yang lebih luas
• Agensi Pembelajar — kapasitas pembelajar untuk bertindak dengan niat, sentral bagi regulasi, integrasi, dan posisi
• Pembelajaran Adaptif — personalisasi yang dapat mendukung regulasi
• Penilaian Formatif — umpan balik berkelanjutan untuk regulasi
• Belajar dengan Mengajar — strategi yang membangun regulasi diri
• Tutoring Cerdas — sistem yang merancang perancah SRL
• Model Bahasa Besar (LLM) — model di balik alat AI
• Pengambilan, Jeda, dan Interleaving — penjadwalan, uji diri, dan pilihan strategi belajar yang dibuat pembelajar
• Penyerahan Kognitif

Artikel terkait

• Generative AI dependency and perceived learning outcomes among university students: an indirect association involving effort regulation — Ketergantungan AI generatif dan hasil belajar yang dipersepsikan: jalur regulasi usaha (Li, Zhang & Yang 2026)

• Analyzing embodied learning in classroom settings: A human-in-the-loop AI approach for multimodal learning analytics — Akurasi per kategori SRL yang disegmentasi LLM di kelas terwujud (Fonteles et al. 2026)

• What the submission does not show: Complexifying cognitive offloading in students' mathematical work with LLMs — Apa yang tidak ditunjukkan kiriman: mengomplekskan pengalihan kognitif dalam kerja matematika siswa dengan LLM (Kontorovich & Wallach 2026)

• Leveraging GenAI models for Curriculum Analytics: A Human-Centered Approach for Curriculum Mapping in Higher Education — Atribusi berlebihan model atas regulasi diri dari isyarat dangkal dalam pemetaan kurikulum (Jayalath et al. 2026)

• AIGC affordance and student self-regulation in private undergraduate education: a serial mediation model — Affordans AIGC dan Regulasi Diri Mahasiswa

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — Literasi interaksi AI: mengarahkan chatbot menuntut SRL yang seharusnya didukungnya (Brunnström & Palmqvist 2026)

• The 5P Reflection Model for Education in the Generative Artificial Intelligence (GenAI) Era — Model refleksi 5P untuk era GenAI (Kadel et al. 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Pengalihan kognitif yang sensitif lapisan dalam menulis berbantuan GenAI (Chen 2026)

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — Agensi pembelajar lintas skala: regulasi, integrasi, posisi

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — Diri yang disewa: sewa yang dipetakan ke model SRL Winne, dengan sepuluh proposisi dan indeks dalam-pembelajar

• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — GenAI sebagai mitra belajar yang sadar konteks sepanjang waktu

• How Do Students Regulate Their Learning With a GenAI Chatbot? — Bagaimana siswa meregulasi belajar dengan chatbot genAI

• Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning — Perancah atau jalan pintas? Peran ganda GenAI dalam SRL

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — Pencarian bantuan yang dimediasi LLM di STEM: berlapis, instrumental, dan terverifikasi

• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task

• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback

• A systematic mapping review at the intersection of artificial intelligence and self-regulated learning

• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — Umpan balik GenAI dan SRL: sumber yang dipersepsikan itu penting

• From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource — Dari kecemasan AI ke regulasi strategis

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Bukti campuran tentang metakognisi/regulasi diri dengan GenAI

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — AI agentik dan ketegangan regulasi diri

• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — SRL dan distraksi digital yang lebih rendah dalam pembelajaran daring (Shi et al. 2026)

• Making machine learning findings accessible to teachers in blended classrooms — Membuat temuan ML dapat diakses guru di kelas campuran

• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: lingkaran yang berhadapan dengan pembelajar berupa identifikasi tugas, justifikasi, dan refleksi pasca-tugas

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — Menggunakan Analitik Pembelajaran untuk Mendukung Penulisan Siswa Sekolah Menengah dengan AI Generatif

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — Instrumen tervalidasi untuk regulasi diri berbantuan AI dalam pembelajaran STEM adaptif, dengan kesadaran metakognitif sebagai prediktor terkuat

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — Kondisi dukungan, bukan pertimbangan metakognitif, yang menggerakkan pilihan strategi revisi dalam eksperimen revisi esai

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — Longitudinal: penggunaan AI reflektif memprediksi pemikiran kritis tetapi bukan perolehan pengetahuan, tanpa efek Matius

• GenAI literacy and GenAI-assisted self-regulated learning behaviors: the roles of learning agency and challenge emotions — Literasi GenAI terkait perilaku regulasi diri dalam belajar terutama melalui agensi belajar

• Pre-Service Teachers' Perceptions of AI Technological Support and School-Based Intelligent Environment Support: Model-Based Indirect Associations with Innovative Competence via AI Self-Efficacy and Self-Regulated Learning — Jenis dukungan membalik mediator: efikasi diri AI vs regulasi diri dalam belajar

• GenAI Use and GenAI-Assisted Learning Procrastination in University Students: The Roles of Planned Behavior Constructs and Learning GenAI Anxiety — Prokrastinasi belajar berbantuan GenAI: celah niat-perilaku yang diperkuat kecemasan

• Generative artificial intelligence-supported self-regulated learning (GenAI-SRL) in L2 writing: scale development, validation, and short-form construction — Skala GenAI-SRL enam dimensi yang tervalidasi untuk penulisan L2, dengan regulasi lingkungan sebagai dimensi tersendiri dan bentuk pendek 12 butir yang dioptimalkan koloni semut

• Large language models generalize SRL prediction to new languages within but not between domains — Model Bahasa Besar Menggeneralisasi Prediksi SRL ke Bahasa Baru di Dalam tetapi Tidak Antardomain (Borchers et al. 2025)

• A Project-Based Hybrid Learning Model Using Artificial Intelligence to Enhance Students' Self-Regulated Learning — Model Pembelajaran Hibrida Berbasis Proyek Menggunakan Kecerdasan Buatan untuk Meningkatkan Regulasi Diri dalam Belajar Siswa

• AI teaching assistants in online discussion forums and peer-supported self-regulated learning — Asisten pengajar AI sebagai penanggap pertama menggusur balasan sebaya, dan bersamanya ko-regulasi yang memperbesar nilai regulasi diri bagi nilai akhir (Davis et al. 2026)

• GenAI-based metacognitive prompting in collaborative inquiry: A comparison across diverse preconception groups — Keragaman prakonsepsi mengubah cara prompt metakognitif mendarat: fungsi prompt sama, evaluasi berkelanjutan atas keluaran AI berlawanan (Wang et al. 2026)