Norma Sosial Penggunaan AI

Di halaman ini

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

Norma sosial penggunaan AI — aturan informal yang ditegakkan secara lokal yang menentukan kapan siswa dan instruktur boleh menggunakan AI generatif, seberapa terbuka mereka dapat mengakuinya, dan apa yang dianggap menyontek dalam praktik alih-alih dalam kebijakan. Korpusnya tipis tentang norma sebagai topik dan tebal tentang mekanisme yang menghasilkannya. Siswa tidak dapat menyimpulkan penggunaan AI satu sama lain secara andal: korelasi median antara perkiraan seorang pengamat dan profil penggunaan yang mereka laporkan sendiri adalah r = .73 pada kedua gelombang, dan akurasi peringkat untuk jenis penggunaan AI adalah r = .34 pada gelombang kedua. Rasa malu dan rasa bersalah meregulasi visibilitas alih-alih penggunaan, menghasilkan penyembunyian dan pengungkapan selektif alih-alih perubahan perilaku. Norma disipliner menyimpang tajam: tugas terintegrasi AI muncul di 27% silabus bisnis dan 5% silabus humaniora di seluruh 31,000 mata kuliah. Dan literatur Etika formal mengarahkan norma yang paling sedikit dan paling tidak dapat ditindaklanjuti kepada pengguna akhir, yang berarti orang-orang yang tunduk pada norma kelas sebagian besar absen dari dokumen yang membahasnya.

Pertanyaan untuk Dipertimbangkan

Jika siswa tidak dapat mengetahui siapa yang menggunakan AI, apa yang sebenarnya menjadi dasar aturan informal itu?
Dari mana norma AI berasal ketika sebuah institusi tidak memiliki kebijakan, atau ketika kebijakannya bertentangan dengan apa yang dikatakan instruktur di kelas?
Mengapa siswa yang tidak pernah menggunakan AI melaporkan rasa bersalah yang lebih besar daripada siswa yang menggunakannya setiap minggu?
Apa yang dapat dicapai rasa malu yang tidak dapat dicapai kebijakan, dan dengan biaya apa bagi meminta bantuan?
Apakah pengawasan mengubah perilaku, atau hanya seberapa terlihat perilaku itu?
Norma siapa yang mendominasi dalam tugas kelompok, dan siapa yang menanggung biaya kebiasaan AI bersama kelompok itu?
Haruskah siswa ikut serta menulis norma yang mengikat mereka?

Pendahuluan

Regulasi AI dalam Pendidikan formal atas AI dalam pendidikan datang sebagai kebijakan: pernyataan penggunaan yang dapat diterima, klausul silabus, prosedur deteksi, sistem pengawasan ujian, kode kehormatan. Namun segala sesuatu yang benar-benar dialami siswa berada di bawah lapisan itu. Teman sekelas yang tidak pernah menyebutkan bahwa ia menggunakan ChatGPT, instruktur yang berkata "Saya tidak peduli bagaimana Anda menulisnya" lalu melarangnya di silabus, kelompok belajar yang diam-diam menyepakati apa yang adil, departemen di mana semua orang menganggap kurva penilaian sudah bergeser. Itulah norma: harapan bersama tentang perilaku yang dapat diterima, yang ditegakkan melalui persetujuan, ketidaksetujuan, dan risiko terlihat.

Halaman ini mengumpulkan apa yang dikatakan basis bukti tentang lapisan itu. Penting untuk memisahkan dengan cermat, karena "kurikulum tersembunyi" sering digunakan secara longgar untuk berarti apa pun yang tidak resmi. Di sini subjeknya lebih sempit: aturan operatif tentang penggunaan AI, bagaimana aturan itu terbentuk, bagaimana ditegakkan, dan seberapa lemah kaitannya dengan aturan tertulis. Korpus hampir tidak memiliki studi yang mengukur norma secara langsung, dan itu sendiri merupakan temuan. Yang ada adalah bukti berulang tentang mekanismenya: inferensi, pengungkapan, emosi, dan variasi disipliner yang membentuk seperti apa norma lokal mana pun.

Apa yang siswa yakini tentang satu sama lain

Norma memerlukan informasi tentang perilaku orang lain, dan informasi itu lebih buruk daripada yang diasumsikan kebanyakan instruktur. Sebuah studi tentang pasangan siswa melacak seberapa akurat siswa menilai penggunaan AI pasangannya di seluruh sesi pemrograman berpasangan. Dibandingkan dengan profil penggunaan yang dilaporkan sendiri oleh setiap pasangan, korelasi mediannya adalah r = .73 pada kedua gelombang, cukup tinggi untuk terasa seperti pengetahuan dan cukup rendah sehingga banyak perkiraan individual keliru. Akurasi peringkat untuk jenis penggunaan AI adalah r = .34 pada gelombang kedua, dan 25% tim menjadi lebih buruk dalam menilai rekan timnya seiring waktu.

Dua detail penting bagi norma. Pertama, ketidakselarasan tidak menyusut dengan kerja tatap muka yang berulang. Keakraban tidak menghasilkan akurasi, yang melemahkan asumsi bahwa norma menjadi stabil seiring kelompok saling mengenal. Kedua, perbaikan yang diusulkan penulis bersifat struktural alih-alih atitudinal: riwayat prompt bersama, anotasi penggunaan AI, atau catatan karya berbantuan AI yang terlihat oleh rekan. Membuat penggunaan AI terlihat adalah proyek yang berbeda dari membuat siswa lebih jujur atau lebih perseptif tentangnya, dan hanya yang pertama memiliki bukti di belakangnya.

Visibilitas, rasa malu, dan pengungkapan selektif

Jika rekan tidak dapat melihat penggunaan AI secara akurat, maka aturan yang berkembang di sekitarnya sebagian besar ditegakkan melalui risiko sosial. Sebuah studi wawancara dengan 19 mahasiswa komputasi meneliti rasa malu dan rasa bersalah sebagai regulator sosial dan menemukan bahwa keduanya mengatur pengungkapan alih-alih penggunaan. Siswa menggambarkan perilaku menyembunyikan dan pengungkapan selektif, dan mereka melaporkan mempermalukan diri sendiri, rekan mereka, dan fakultas mereka. Hasil negatif yang penting adalah bahwa emosi-emosi ini hidup berdampingan dengan penggunaan AI yang berlanjut, menghasilkan siklus agensi yang berkurang dan ketegangan moral alih-alih mendorong siapa pun untuk berhenti.

Pola itu memindahkan norma dari "pakai atau jangan pakai" ke "akui atau jangan akui." Sebuah kelas dapat memiliki norma anti-AI yang kuat di atas kertas, penggunaan yang luas dalam praktik, dan keseimbangan diam di antaranya, tanpa ada yang bingung tentang apa kata aturannya. Pola itu juga memprediksi di mana biayanya mendarat: pada siswa yang paling tidak mampu mengelola risiko sosial, dan pada siswa yang penggunaan terlihatnya membawa konsekuensi berbeda.

Sisi instruktur dari emosi yang sama dapat diukur. Sebuah survei fakultas yang menggunakan Indeks Rasa Bersalah AI empat item (alpha Cronbach = 0.88) menemukan rasa bersalah antisipatif melebihi penyesalan yang dialami: skor indeks rata-rata adalah 2.39 (SD = 1.01), dengan 22.9% peserta di atas titik tengah. Bukan-pengguna AI melaporkan rasa bersalah yang lebih tinggi (M = 3.25, SD = 1.04, n = 8) daripada pengguna (n = 101, M = 2.32, SD = 0.97), t(8.39) = 2.00, p = .078, dan item penyesalan memisahkan kelompok lebih tajam, t(7.79) = 2.44, p = .041. Analisis klaster menghasilkan empat profil: Pengadopsi Nyaman (26.6%), Bukan-Pengguna yang Merasa Bersalah (29.4%), Pengguna Hati-hati (28.4%), dan Penghindar yang Tertekan Secara Moral (15.6%), dengan perbedaan terkonfirmasi pada rasa bersalah, F(3, 105) = 22.13, p < .001, eta-squared = 0.39.

Norma yang membuat orang yang belum bertindak merasa bersalah bekerja melalui antisipasi. Itu adalah mekanisme regulatif yang nyata, dan tidak terlihat oleh audit kebijakan mana pun yang hanya melihat apa yang dilakukan fakultas dan siswa.

Survei terhadap 409 mahasiswa sarjana menempatkan mekanisme yang sama ke dalam regresi: pengungkapan rekan yang dipersepsikan dan kenyamanan dengan instruktur adalah prediktor terkuat bagi pengungkapan siswa sendiri, di atas pelepasan moral (Qu dan Wang (2026)). Apa yang dianggap siswa sebagai norma adalah apa yang mereka yakini dilakukan rekan-rekannya, yaitu kesan yang ditunjukkan studi persepsi di atas secara sistematis kasar. Pengungkapan, menurut bukti ini, adalah respons terhadap norma yang diyakini alih-alih terhadap aturan tertulis atau standar etis pribadi.

Buku aturan lokal: disiplin dan kelas

Norma bersifat lokal, dan bukti tentang seberapa lokalnya luar biasa konkret. Sebuah analisis atas 31,000 silabus mata kuliah menemukan bahwa tugas terintegrasi AI berkisar dari 27% di bisnis hingga 5% di humaniora. Rentang itu bukan celah kepatuhan kebijakan; ia mencerminkan pertimbangan disipliner yang berbeda tentang apa itu pekerjaan, praktik apa yang bernilai, dan keterampilan mana yang seharusnya disertifikasi oleh sebuah kredensial. Rekomendasi penulis mengikuti dari itu: berikan otonomi kepada instruktur dalam norma disipliner alih-alih mengeluarkan mandat yang seragam, karena mandat itu harus ditulis untuk rata-rata yang tidak ada.

Lapisan kelas juga dapat bertentangan dengan lapisan dokumen dalam mata kuliah yang sama. Wawancara dengan mahasiswa pemasaran menemukan norma rekan dan "mengejar ketertinggalan" mendorong adopsi, dengan mulut ke mulut digambarkan sebagai promosi terbesar yang dimiliki AI, ditopang oleh rasa takut tertinggal. Studi yang sama mencatat kontradiksi yang akan dikenali instruktur: beberapa kelas mewajibkan AI sementara silabus melarangnya, dan dorongan instruktur di kelas tidak selalu bertahan ke dalam kebijakan tertulis. Ketika keduanya tidak sependapat, siswa memperlakukan norma lisan sebagai yang operatif, dan silabus sebagai liabilitas yang harus dikelola.

Kerja kelompok adalah tempat norma informal bekerja paling banyak, karena unit yang dinilai bersifat kolektif. Sebuah studi atas 52 calon guru di 15 kelompok fokus mengidentifikasi pola yang berbeda alih-alih satu garis dari antusiasme ke penghindaran, dengan kelompok menegosiasikan apa yang dianggap bantuan yang sah tanpa adanya aturan bersama. Siswa mana pun yang pernah menyaksikan sebuah kelompok diam-diam menyepakati penggunaan AI salah satu anggotanya telah melihat norma ditulis secara real time, tanpa proses kebijakan dan biasanya tanpa catatan.

Etika formal, norma yang dihayati

Literatur profesional tentang etika AI dan norma kelas yang seharusnya dijangkaunya semakin menjauh, dan celahnya terdokumentasi. Sebuah tinjauan sistematis atas nilai dan norma etis mengekstraksi norma dari 15 artikel dan memetakannya ke empat kelompok pemangku kepentingan dari Smuha (2022). Pengembang menerima norma paling banyak, diikuti institusi pendidikan dan regulator. Pengguna akhir menerima yang paling sedikit dan paling tidak dapat ditindaklanjuti, tanpa norma yang membahas siswa secara langsung tentang non-diskriminasi, pengelolaan data, atau kesesuaian pendidikan, dan suara siswa pada dasarnya absen dari materi.

Hasilnya adalah literatur yang menetapkan kewajiban bagi orang-orang yang membangun dan mengadakan AI, dan membiarkan orang-orang yang hidup dengannya di kelas menyusun aturan mereka sendiri. Itu adalah penjelasan yang masuk akal tentang mengapa norma yang digambarkan siswa, seperti dalam studi rasa malu dan rasa bersalah, begitu sering berkisar pada visibilitas dan reputasi alih-alih pada nilai-nilai yang disebut dokumen etika. Kedua sistem itu meregulasi hal yang berbeda.

Mengapa pengawasan tidak menuntaskan norma

Ketika institusi mencoba menggantikan norma informal dengan pemantauan formal, buktinya konsisten dan tidak menyanjung. Sebuah studi empat gelombang atas 1,760 siswa di 105 mata kuliah menemukan bahwa pengawasan ujian daring secara signifikan meningkatkan kecemasan ujian, dan tidak berpengaruh pada godaan untuk menyontek. Ia juga tidak mengubah kesulitan yang dipersepsikan atau performa ujian. Biaya kecemasan terkonsentrasi pada siswa yang sudah rentan, termasuk mereka dengan lingkungan rumah yang lebih lemah dan teknologi yang kurang andal.

Dua studi lanjutan menjelaskan mengapa pengawasan adalah alat yang buruk untuk menetapkan norma. Sebuah tinjauan cakupan atas pengawasan jarak jauh menemukan bahwa pemantauan secara luas dipersepsikan sebagai pencegah pelanggaran, namun dosen Afrika Selatan melaporkan ketidakjujuran yang berlanjut meskipun ada pemantauan aktif, situasi yang oleh Khalil et al. (2022) disebut "etika bawah tanah," dan peringatan kecil yang sering menghasilkan positif palsu dan kerja peninjauan fakultas. Pengawasan membeli kepatuhan melalui rasa takut terdeteksi alih-alih komitmen pada standar bersama. Sebuah model penilaian di bawah informasi yang tidak sempurna mempertajam mekanismenya: pencegahan bergantung pada kemampuan detektor membedakan penggunaan tersembunyi dari kerja yang sah alih-alih pada tingkat tangkapannya, dan ketika positif palsu naik lebih cepat daripada positif benar, siswa melepaskan diri dari sistem alih-alih mematuhinya. Hasil lebih lanjutnya adalah yang berkaitan langsung dengan norma: pemantauan menurunkan daya tarik penggunaan tersembunyi, tetapi tidak meningkatkan pengungkapan. Siswa beralih ke keterbukaan hanya ketika melaporkan lebih aman atau lebih bernilai daripada menyembunyikan, dan sebuah larangan dapat membuat penyembunyian lebih menarik daripada kepatuhan.

Argumen keadilan prosedural menarik kesimpulannya: karena penggunaan AI yang terampil atau sedikit disunting tidak dapat dideteksi dalam kasus umum, prosedur pelanggaran yang dibangun di atas deteksi menghasilkan ketidakadilan tanpa efektivitas, dan jawabannya adalah penilaian yang lebih baik, bukan pengawasan yang lebih baik.

Biaya substitusi itu terlihat pada tempat fakultas dan siswa benar-benar berbicara. Di seluruh 253,222 catatan terkait AI dari 26 subreddit pendidikan, sepertiga dari semua utas fakultas–siswa adalah perselisihan deteksi atau penegakan, siswa membuka 68.4% di antaranya, dan negativitas memprediksi keterlibatan (ρ = −0.72) — konflik adversarial, bukan musyawarah, adalah bentuk kontak lintas peran bervolume tertinggi tentang GenAI (Yüce et al. (2026)).

Apa artinya bagi praktik

Buat penggunaan terlihat alih-alih menyimpulkannya. Siswa tidak dapat menilai satu sama lain secara akurat, dan kolaborasi berulang tidak memperbaikinya. Catatan bersama yang ringan tentang karya berbantuan AI, anotasi, atau riwayat prompt memberi kelompok sesuatu yang faktual untuk dipertimbangkan.
Perkirakan norma lisan mengalahkan yang tertulis. Jika apa yang dikatakan di kelas bertentangan dengan silabus, siswa akan mengikuti kelas. Keselarasan antara keduanya lebih bernilai daripada klausul yang lebih ketat.
Perlakukan pengungkapan sebagai masalah desain, bukan masalah kebajikan. Pengungkapan menjadi mungkin ketika melaporkan lebih aman atau lebih bernilai daripada menyembunyikan. Itu berarti membuat penggunaan yang diungkapkan terbaca dalam penilaian itu sendiri, alih-alih meminta kejujuran sebagai sifat karakter.
Hormati variasi disipliner. Rentang 27% hingga 5% antardepartemen bukanlah ketidakkonsistenan yang harus dinormalkan, melainkan pertimbangan berbeda tentang apa yang disertifikasi kredensial. Mandat seluruh institusi cenderung ditulis untuk disiplin yang tidak ada.
Jangan memakai pemantauan untuk menetapkan norma. Pengawasan ujian menaikkan kecemasan tanpa mengubah godaan menyontek dalam studi terkuat yang tersedia, dan ia memusatkan biaya itu pada siswa yang paling kurang beruntung.
Tanyakan siapa yang hilang dari norma. Literatur etika memberi siswa hampir tidak ada kewajiban dan sedikit memperhitungkan pertimbangan mereka, sementara kelas memberi mereka banyak dan menegakkannya secara sosial. Menutup celah itu adalah pertanyaan kurikulum, bukan pertanyaan kepatuhan.

Miskonsepsi Umum

"Siswa tahu seberapa banyak rekan mereka menggunakan AI." Mereka melebih-lebihkan pengetahuan mereka sendiri tentangnya. Korelasi median antara perkiraan seorang pengamat dan profil penggunaan yang mereka laporkan sendiri adalah r = .73 pada kedua gelombang, sementara akurasi peringkat untuk jenis penggunaan AI hanya r = .34. Siswa dapat mengetahui secara kasar seberapa banyak, dan tidak dapat mengetahui jenisnya — yang berarti norma terbentuk di sekitar kesan yang secara sistematis kasar.

"Menerbitkan kebijakan menetapkan norma." Buku aturan lokal ditulis dalam praktik, bukan dalam teks kebijakan, dan domain menyimpang tajam: tugas terintegrasi AI muncul di 27% silabus bisnis dan 5% silabus humaniora di seluruh 31,000 mata kuliah. Norma operatif seorang siswa adalah norma disiplinnya sendiri, dan dokumen seluruh institusi tidak membatalkannya.

"Rasa malu dan rasa bersalah mencegah penggunaan AI." Keduanya meregulasi visibilitas alih-alih penggunaan: rasa malu dan rasa bersalah meregulasi visibilitas, menghasilkan penyembunyian dan pengungkapan selektif alih-alih perubahan perilaku. Efek yang dapat diamati dari norma yang mempermalukan adalah pelaporan yang kurang jujur, bukan penggunaan yang berkurang.

"Pengawasan akan menuntaskan norma dengan membuat penggunaan terlihat." Membuat perilaku terlihat tidak menyelesaikan apa norma yang seharusnya; itu mengubah apa yang bersedia diungkapkan orang. Pola terukur yang ada sudah berupa pengungkapan selektif, sehingga rezim pemantauan yang diterapkan padanya mengukur penyembunyian alih-alih perilakunya.

"Norma bersifat informal, jadi berada di luar jangkauan institusi." Mereka ditegakkan secara lokal dan dapat diubah secara lokal, yang membuatnya lebih mudah ditangani daripada kebijakan: praktik eksplisit sebuah tim mata kuliah adalah pengungkit justru karena di situlah aturan operatif ditetapkan.

Konsep terkait

Integritas Akademik — buku aturan formal yang tumbuh bersama norma-norma ini
Pernyataan Penggunaan dan Pengungkapan AI — praktik yang paling langsung diregulasi norma
Membingkai Penggunaan AI bagi Siswa — bagaimana sebuah kelas menyatakan harapannya
Mengurangi Penyalahgunaan AI — padanan instruksional bagi penetapan norma
Identitas Pembelajar — siapa yang dianggap sebagai siswa ketika penggunaan AI menjadi terlihat
Deteksi AI — respons teknis yang sebagian besar gagal
Proctoring Jarak Jauh — pengawasan sebagai upaya pengganti norma
Kepercayaan — hal yang menjadi sandaran norma dan pengungkapan
Keadilan — siapa yang menyerap biaya sosial
Pencarian Bantuan — perilaku yang pertama kali ditekan rasa malu
Kerja Kelompok — tempat norma kelompok dinegosiasikan
Pengalaman Siswa — sisi yang dihayati dari semua ini
Kecemasan dan Stres — residu afektif
Tata Kelola AI — lapisan formal tempat norma-norma ini berada
Etika — literatur yang paling sedikit berbicara kepada siswa

FAQ terkait

Metadata

Tingkat	Higher Ed
Audiensi sasaran	Instructors, Administrators
Pembelajaran dan pengajaran	Pembelajaran Kolaboratif, Motivasi, Pencarian Bantuan
Teknologi dan teknik	AI Generatif
Asesmen dan pengukuran	Penilaian Sejawat, Kerja Kelompok, Deteksi AI, Proctoring Jarak Jauh, Penilaian
Kesetaraan, etika, dan penggunaan yang bertanggung jawab	Pernyataan Penggunaan dan Pengungkapan AI, Kepercayaan, Keadilan, Privasi, Penyalahgunaan AI dan Kerugian Pembelajaran
Dasar-dasar AI dalam pendidikan	Integritas Akademik, Membingkai Penggunaan AI bagi Siswa, Identitas Pembelajar

Sumber Riwayat Sunting Obrolan