Pendidikan STEM

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

Pendidikan STEM — pendidikan sains, teknologi, teknik, dan matematika adalah domain paling umum bagi AI dalam pendidikan dalam penelitian basis pengetahuan ini. Pengetahuan STEM yang terstruktur, jawaban benar/salah yang jelas, dan sifat komputasionalnya menjadikannya testbed ideal bagi tutor AI dan penilaian.

Pertanyaan yang Perlu Dipertimbangkan

STEM adalah domain paling umum bagi penelitian AI dalam pendidikan karena pengetahuannya terstruktur dan memiliki jawaban benar/salah yang jelas. Menurut Anda, apakah itu menjadikan STEM tempat termudah untuk mengajar dengan AI — atau justru tempat batas AI paling mudah tersamarkan?
Halaman ini mengutip penelitian yang menunjukkan adopsi AI di sekolah 'terstratifikasi menurut disiplin' — ternormalisasi di ilmu komputer, sangat dilarang di matematika. Menurut Anda mengapa budaya mata pelajaran membentuk penerimaan AI begitu kuat, dan apa konsekuensinya bagi siswa?
Jika siswa matematika menggunakan AI terutama untuk memeriksa solusi dan memperoleh penjelasan, apakah itu perancah atau kruk? Apa yang menentukan bedanya, dan di mana Anda akan menarik garisnya?
Mengingat soal STEM sering memiliki jawaban yang dapat diverifikasi, jenis penggunaan AI seperti apa di STEM yang menurut Anda benar-benar membangun pemahaman versus hanya menghasilkan keluaran yang tampak benar?
Bagaimana justru kualitas yang membuat STEM ideal untuk tutor AI — jawaban jelas, kebenaran yang dapat dikomputasi — dapat meremehkan bagian sains dan teknik yang berantakan, terbuka, dan berbasis pertimbangan?

Pendahuluan

STEM sebagai domain AIED utama

Matematika: penelitian pendidikan matematika mencakup dampak GenAI pada pembelajaran matematika, tutor pecahan tingkat dasar, dan pengelompokan kompetensi.
Bukti ITS matematika bersifat terbatas dan bersyarat. Tinjauan naratif terstruktur atas 20 publikasi (2020–April 2026) menemukan keunggulan terukur paling jelas untuk umpan balik diagnostik waktu-nyata yang dilapisi pada sistem adaptif yang sama, namun menyimpulkan bahwa tutor cerdas mendukung pembelajaran matematika hanya ketika pemodelan siswa yang valid, perancah yang terkalibrasi, dan mediasi guru bergabung, serta bahwa skalabilitasnya bersifat teknis, bukan edukatif (Ogunsakin et al. (2026)).
Fisika: pendidikan fisika mencakup studi tipologi ChatGPT, chatbot fisika Sokratik, dan analisis bias penilaian.
Ilmu komputer: pendidikan ilmu komputer adalah subbidang STEM yang paling banyak diteliti — tinjauan kode, alat debugging, dan studi prompting.
Teknik: perancah teknik, demonstrasi mekanika, dan penyeimbangan kurikulum membawa AI ke pendidikan teknik.
Perancah penelitian sarjana: An dan rekan (2026) merintis sistem AI yang mengubah publikasi penelitian menjadi kumpulan data terstruktur dan sebanding untuk penyelesaian skripsi sarjana di empat sekolah STEM. Hasil (20 siswa, 80 dokumen) menunjukkan ekstraksi parameter eksperimen >90%, pengurangan waktu tinjauan literatur ~65%, dan kenaikan 50% dalam kemampuan siswa mengidentifikasi variabel eksperimen yang berpengaruh — bukti bagaimana AI yang memperancah penelitian sarjana dapat memperkuat literasi penelitian dan kognisi epistemik dalam pendidikan STEM.
Instruksi berbantuan simulasi: Dalam pendidikan STEM berbasis drone, perancah yang dirancang bersama guru-AI untuk simulasi dievaluasi terhadap kurikulum langsung yang identik dengan 30 siswa menengah, menguji apakah instruksi berbantuan simulasi menghasilkan hasil belajar yang lebih unggul. Peran GenAI adalah mempercepat pembuatan konten sementara keterlibatan guru memelihara validitas pedagogis dan relevansi kontekstual.
Hasilnya berpihak pada kelompok yang diperancah. Kelompok simulasi memperoleh keuntungan lebih besar daripada kelompok langsung pada pengetahuan STEM yang selaras kurikulum (M = 3.00 versus 2.06; t(28) = 2.23, p = .034, d = 0.82) dan pada kompetensi abad ke-21 (d = 1.52) (Yeung et al. (2026)).
Kembaran digital di STEM: prototipe melampaui pembelajaran terukur. Tinjauan PRISMA atas 11 studi pendidikan tinggi menemukan setiap studi mendemonstrasikan prototipe yang berfungsi dan tersinkronisasi perangkat keras, namun hanya tiga (27.3%) melaporkan keuntungan belajar yang signifikan secara statistik, dengan kompleksitas pengembangan dan berkurangnya interaksi sosial sebagai hambatan yang berulang (Pelayo-González et al., 2026).
Perencanaan berbantuan AI dalam pendidikan seni STEAM: Studi eksperimental pada guru seni STEAM anak (Luo dan Tahir 2025) menemukan rencana pelajaran berbantuan ChatGPT mengalahkan rencana buatan guru pada kualitas yang dinilai ahli (median 20.5 vs. 17.6, p = .002, efek besar, enam penilai profesor), dengan guru melaporkan keuntungan efisiensi dan integrasi interdisipliner (61% menilai 4+). Hasilnya datang melalui metode delegasi guru — paling berguna dengan meminta ChatGPT mengisi celah konten dalam pelajaran yang guru susun sendiri — memperkuat poin yang berulang bahwa AI mengangkat kerja STEM/STEAM ketika guru menyusun tugas dan mengevaluasi keluaran secara kritis alih-alih menyerahkan seluruh rencana kepada model.

Seberapa efektif instruksi berbantuan AI di STEM, secara gabungan

Sintesis kuantitatif terbesar untuk domain ini sampai saat ini — 35 studi eksperimental dan kuasi-eksperimental yang terbit antara 2005 dan 2025 (Doğan, Kılıç, Kalınkara dan Talan, 2026) — menempatkan instruksi berbantuan AI di STEM pada Hedges' g = 0.670 (95% CI [0.491, 0.848]), dengan varians antastudi ditangani model efek acak. Rincian menurut jenjang adalah bagian yang informatif: efek terbesar di SMA (g = 1.099) dan makin mengecil di universitas (0.578), sekolah dasar (0.465), dan sekolah menengah pertama (0.392), sementara perbedaan bidang mata pelajaran yang akan diprediksi citra diri STEM — sains (0.676) dan matematika (0.650) mendahului teknologi dan teknik (0.501) — tidak signifikan secara statistik (Q = 4.85, df = 2, p = 0.088). Durasi tidak berperilaku sebagai dosis: rentang terkuat adalah satu hingga dua bulan (g = 0.833), intervensi terpendek lima jam atau kurang tetap mencapai 0.621, dan rentang terlemah (g = 0.256) tidak signifikan. Dibaca bersama skeptisisme yang didokumentasikan pada Keuntungan Belajar, pembacaan yang wajar adalah bahwa instruksi STEM berbantuan AI menghasilkan efek moderat, nyata tetapi bergantung jenjang, bukan efek yang seragam.

Tinjauan bidang mata pelajaran atas 18 studi (2014–2024) mempertajam apa yang diukur oleh efek tersebut: hasil AI dalam pendidikan sains dan kimia terkonsentrasi pada ukuran proses belajar (n = 9) alih-alih capaian, dan basis buktinya miring ke calon guru (44.4%), dengan hanya satu studi sekolah menengah pertama dan dua studi SMA (Erümit dan Özdemir Sarıalioğlu (2025)).

Mengapa STEM mendominasi

Representasi pengetahuan STEM yang terstruktur, jawaban yang dapat diverifikasi, dan keselarasan dengan berpikir komputasional menjadikannya paling cocok secara alami untuk tutor AI. Penelitian berpikir komputasional mengeksplorasi keselarasan ini secara eksplisit.

Bukti baru dari penelitian IJ STEM Education 2025–26

Sekumpulan studi International Journal of STEM Education 2026 yang terkonsentrasi mempertajam bagaimana AI berfungsi di berbagai subbidang dan jenjang STEM:

AIED spesifik mata pelajaran dan tata kelola membentuk penggunaan AI siswa. Studi potong lintang pada 416 siswa menengah Ceko (Navigating AI in STEM: What Secondary Students Actually Do With Generative AI-Driven Tools) menemukan adopsi AI terstratifikasi menurut disiplin alih-alih terpadu: ilmu komputer dan ekonomi menormalisasi GenAI sebagai sumber daya kolaboratif, sementara matematika (65.9% melarang) dan ilmu alam (55.3%) menunjukkan persepsi larangan tinggi yang berbarengan dengan kejelasan aturan yang buruk dan penggunaan sembunyi-sembunyi yang bertahan. Siswa sebagian besar menggunakan AI sebagai perancah instrumental (penjelasan, pemeriksaan solusi) alih-alih substitusi, tetapi celah evaluasi kritis muncul — modifikasi prompt yang berat menaungi verifikasi faktual eksternal, menggeser perilaku menuju pengalihan kognitif. Ini berargumen untuk panduan yang peka mata pelajaran alih-alih larangan menyeluruh.
AI sebagai peneliti bersama dalam STEM berbasis inkuiri. Kuasi-eksperimen dengan 97 siswa kelas tiga (Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science) menunjukkan chatbot GenAI secara signifikan mengalahkan mesin pencari untuk pengajuan masalah sains dalam pembelajaran berbasis inkuiri, meningkatkan kualitas pertanyaan, menghasilkan struktur jaringan epistemik yang lebih terpadu (ENA), dan menurunkan beban kognitif. Tinjauan sistematis ChatGPT untuk pembelajaran berbasis inkuiri di STEAM (The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education, 24 studi) mengonfirmasi ChatGPT mendukung perumusan pertanyaan, desain inkuiri, pemecahan masalah, dan refleksi — tetapi berisiko ketergantungan berlebih, halusinasi, dan kesimpulan dangkal ketika keluaran diperlakukan sebagai otoritatif.
STEAM adalah jalur yang tidak merata menuju literasi AI. Tinjauan sistematis PRISMA atas 39 studi (STEAM Education for AI Literacy: A Systematic Literature Review) menemukan implementasi STEAM terutama mengembangkan literasi teknis (konsep dasar AI, berpikir komputasional, literasi data) sementara kurang mengembangkan kesadaran etis, imajinasi kreatif, serta menciptakan/mengelola/merancang dengan AI. Disiplin teknologi memimpin; seni, teknik, dan STEAM terpadu tertinggal — menandakan literasi AI di STEM saat ini pincang ke arah keterampilan teknis alih-alih pembentukan AI secara bertanggung jawab.
Program STEM adaptif berbasis AI dapat mendukung pembelajaran mendalam. Uji perintis terklaster acak pada sains kelas enam (Developing Deep Learning in Science Through an Adaptive AI-Based STEM Instructional Program: Evidence From Sixth-Grade Classrooms, N = 30) menemukan program STEM adaptif berbasis AI (konten terpersonalisasi, penguasaan berbasis aturan, umpan balik waktu-nyata) menghasilkan ukuran efek besar yang berpihak pada kelompok eksperimen pada penjelasan, interpretasi, penerapan, dan pembangkitan gagasan — meski desain dua kelas menuntut penafsiran hati-hati.
Penerimaan guru heterogen dan dibentuk disiplin. Analisis profil laten pada 128 calon guru (Unpacking the Heterogeneity of Pre-service Teachers' ChatGPT Acceptance: A Latent Profile Analysis Across STEM and Non-STEM Disciplines) menemukan empat profil penerimaan ChatGPT (Pragmatic Evaluators, Technology Pioneers, Resistant Skeptics, Environmental Observers), dengan guru STEM terkonsentrasi di Technology Pioneers dan guru non-STEM di profil yang resisten — dan Resistant Skeptics menunjukkan kemudahan penggunaan yang tinggi tetapi niat yang rendah, menuntut pelatihan literasi AI yang terdiferensiasi.
Mengajari siswa menginterogasi model, bukan sekadar menggunakannya. Satu sesi 45 menit tentang prompting dan pemeriksaan kesalahan menaikkan skor posttest fisika sarjana (d = 0.814) dan meratakan keunggulan pengalaman AI sebelumnya (Huang et al., 2026).
Penilaian dan proses kognitif dalam STEM terintegrasi AI. CTAT (34 item, tervalidasi IRT) menyediakan instrumen yang valid untuk menilai berpikir komputasional dalam konteks pelatihan AI, mengungkap bahwa siswa paling kesulitan dengan representasi data, pengurutan operator logika, dan struktur perulangan. Studi teori berlandas pada pemrograman berbantuan AI (Tool, Tutor, or Crutch?: A Grounded Theory of Cognitive Scaffolding and Offloading in AI-Assisted Programming Education) menunjukkan siswa berayun antara "Domain Mastery" dan "Tool Mastery" melalui perancah dan lingkar pengalihan, dengan kalibrasi metakognitif yang melemah di bawah pengalihan rutin — penjelasan tingkat proses atas ketegangan kinerja-pembelajaran.

Implikasi bagi instruktur STEM

Pilih AI yang sesuai disiplin. STEM mencakup matematika (tutor), fisika (dialog Sokratik, simulasi), ilmu komputer (pembuatan dan tinjauan kode), dan teknik (desain, tenaga kerja) — pilih alat yang cocok dengan pedagogi khas setiap subbidang alih-alih mengasumsikan satu chatbot umum cocok untuk semua.
Manfaatkan keunggulan kesesuaian struktural AI, tetapi lindungi penalaran. Jawaban STEM yang dapat diverifikasi menjadikannya domain paling mudah ditangani AI; lindungi dari ketergantungan berlebih dan penggantian jawaban dengan menanamkan AI dalam alur kerja terstruktur yang berorientasi penguasaan.
Tanamkan literasi AI di seluruh mata pelajaran STEM. Studi (biologi, persiapan guru matematika) menunjukkan konteks STEM mendukung pembelajaran AI — integrasikan konsep AI di tempat ia muncul secara alami alih-alih mengisolasinya.
Perhatikan keadilan dan akses dalam adopsi AI. Alat AI STEM tidak netral; pantau bias penilaian, akses kesenjangan digital, dan desain yang relevan secara kultural saat Anda menyebarkannya.

Miskonsepsi Umum

"Tutor cerdas bekerja seragam di seluruh STEM." Tinjauan naratif terstruktur atas 20 publikasi (2020-April 2026) menemukan keunggulan terukur paling jelas justru untuk tutor diagnostik waktu-nyata. Buktinya terbatas dan bersyarat, dan menggeneralisasikannya ke semua ITS matematika melebih-lebihkan apa yang ditinjau.
"Simulasi adalah pengganti pucat bagi kerja langsung." Kelompok simulasi memperoleh keuntungan lebih besar daripada kelompok langsung pada pengetahuan STEM yang selaras kurikulum (M = 3.00 versus 2.06; t(28) = 2.23, p = .034, d = 0.82). Simulasi bukan cadangan yang berkinerja di bawah hal yang nyata.
"Alur kerja literatur berbantuan AI terutama menghemat waktu." Hasil dari 20 siswa pada 80 dokumen menunjukkan ekstraksi parameter eksperimen di atas 90%, pengurangan waktu tinjauan literatur sekitar 65%, dan kenaikan 50% dalam kemampuan siswa mengidentifikasi karya berpengaruh. Keuntungan kapabilitas adalah hasil yang lebih besar dan penghematan waktu yang lebih kecil.

Konsep terkait

Identitas Pembelajar — identitas siswa yang berkembang secara disipliner, profesional, kreatif, dan akademik
Pendidikan Bisnis
Pendidikan Ilmu Komputer
Pendidikan Matematika
Pendidikan Fisika
Berpikir Komputasional
K-12
Pendidikan Tinggi
Tutoring Cerdas
Penilaian Otomatis
Penilaian Formatif
Pembelajaran yang Dipersonalisasi
Model Bahasa Besar (LLM)
AIEd dalam Disiplin Ilmu
Pendidikan Guru
Pendidikan Kimia — Pendidikan kimia dan AI: laboratorium, penilaian formatif, batas LLM, filsafat eksperimen
Pendidikan Biologi — Pendidikan biologi dan AI: asisten pengajaran laboratorium, literasi AI dalam biologi, berpikir kritis, alat khusus

Sumber daya terkait

teacher.dev
Studio nirlaba yang menerbitkan satu aplikasi kelas gratis untuk setiap hari dalam rentetan pembangunan publik, dari pembuat figur cetak sampai safari waktu tenang dan izin keluar kelas local-first.

Metadata

Disiplin	Cs Education, Math Education, Physics Education
Tingkat	K 12, Higher Ed
Teknologi dan teknik	Tutoring Cerdas
Asesmen dan pengukuran	Penilaian Otomatis
Dasar-dasar AI dalam pendidikan	Berpikir Komputasional

Sumber Riwayat Sunting Obrolan