Kompetensi AI Guru

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

Kompetensi AI guru - pengetahuan, keterampilan, dan disposisi yang dibutuhkan guru untuk mengintegrasikan AI secara efektif, etis, dan adil ke dalam pengajaran dan pembelajaran. Kompetensi ini melampaui penggunaan alat teknis untuk mencakup integrasi pedagogis, literasi penilaian, pertimbangan etis, dan keyakinan untuk menggunakan AI dengan baik. Kompetensi AI guru adalah padanan sisi guru dari Literasi AI, dan dikembangkan melalui pengembangan profesional. Kompetensi ini sentral bagi bagaimana peran guru bertransformasi di ruang kelas yang diperkaya AI.

Pertanyaan yang Perlu Dipertimbangkan

• Halaman ini berargumen bahwa guru adalah 'faktor penentu' apakah AI meningkatkan pembelajaran - bahwa alat hanya membantu ketika guru dapat merencanakannya, merancah penggunaannya, dan mengevaluasi keluarannya. Apakah itu sesuai dengan pengalaman Anda, atau menurut Anda alat itu sendiri lebih penting daripada guru?
• Kompetensi AI guru mencakup kecakapan teknis, integrasi pedagogis, literasi penilaian, dan pertimbangan etis. Manakah yang menurut Anda paling kurang dimiliki guru, dan mana yang paling sulit dilatih?
• Penelitian mendokumentasikan kesenjangan antara keterampilan AI yang dipersepsikan sendiri oleh guru dan keterampilan yang sebenarnya. Mengapa menurut Anda orang melebih-lebihkan kesiapan mereka, dan apa yang diperlukan untuk menutup kesenjangan itu secara jujur?
• Sebuah program pengembangan profesional intensif menghasilkan keuntungan besar dalam keterampilan pedagogis AI dalam penelitian yang dikutip, yang menunjukkan bahwa keterampilan teknis-pedagogis dapat dilatih. Jika itu benar, mengapa masih banyak guru yang tampak belum siap - apa yang menghalangi?
• Jika seorang guru dapat 'menggunakan AI dengan baik', apa arti 'baik' bagi Anda - dan bagaimana Anda mengetahui bahwa seorang guru telah mencapainya alih-alih sekadar mengadopsi alatnya?

Pendahuluan

Kompetensi AI guru penting karena guru adalah faktor penentu apakah AI meningkatkan pembelajaran. Penelitian secara konsisten menunjukkan bahwa alat AI hanya berubah menjadi hasil yang lebih baik ketika guru dapat merencanakannya, merancah penggunaan oleh siswa, mengevaluasi keluaran, dan mengintegrasikannya ke dalam pengajaran yang koheren. Literatur dalam basis pengetahuan menelaah dimensi kompetensi ini, kesenjangan antara persepsi diri dan keterampilan aktual, serta pengembangan profesional yang membangunnya.

Nunez-Canal et al. (2026) menghubungkan kompetensi AI fakultas dengan hasil siswa secara langsung, menggunakan teori modal manusia dan teori pemangku kepentingan pada survei fakultas bisnis dan ekonomi untuk berargumen bahwa investasi universitas dalam kompetensi fakultas bukan merupakan pilihan diskresioner.

• Pelatihan prompting membeli waktu, bukan materi yang lebih baik. Dalam RCT terpreregistrasi dengan 204 guru, Appel, Fervers dan Piepenburg (2026) menemukan ChatGPT meningkatkan kualitas materi persiapan pelajaran dan memangkas waktu persiapan 34%, sementara pelatihan AI sebelumnya menambahkan pengurangan waktu 21% lagi tanpa meningkatkan kualitas yang dinilai (Appel et al., 2026). Guru yang terlatih menulis prompt lebih panjang dan lebih sedikit beriterasi; kedua rute mencapai kualitas yang sama.

Dimensi kompetensi inti

Penelitian dalam basis pengetahuan bertemu pada beberapa dimensi yang saling terkait:

• Kecakapan teknis: menyusun prompt yang efektif untuk tujuan pendidikan, mengevaluasi alat AI untuk kesesuaian pedagogis dan keamanan, serta memecahkan masalah kegagalan secara langsung. Program PD GenAI intensif mendokumentasikan keuntungan signifikan pada kelima komponen AI-PCK (keseluruhan d = 2,36), menunjukkan keterampilan teknis-pedagogis dapat dilatih.

• Menentukan alur kerja agen: ketika guru mengonfigurasi chatbot dalam bahasa alami, kegagalan yang dominan adalah hilangnya maksud alih-alih fakta yang salah - bot melewati langkah alur kerja yang diwajibkan dalam 53,8% percakapan pengguna akhir dan menghilangkan penetapan ekspektasi dalam 33,4% (Liu et al. (2026)), sehingga menulis langkah yang berurutan dan eksplisit merupakan dimensi kompetensi tersendiri yang dapat dilatih.

• Pengetahuan pedagogis adalah lapisan penentu. Sebuah studi lintas jenjang tentang pendidikan menengah pendidikan AI (46 guru, 2.832 siswa) menemukan pengetahuan AI teknis saja tidak cukup - dan bahkan dapat sedikit menurunkan persepsi siswa tentang AI untuk kebaikan sosial - sementara pengetahuan AI pedagogis mendorong persepsi siswa dan niat mereka untuk mempelajari AI. Kerangka kompetensi karena itu harus memberi bobot pada pengetahuan AI pedagogis sebagai dimensi poros, bukan tambahan yang lunak.

• Integrasi pedagogis: memetakan penggunaan AI ke tujuan pembelajaran, merancang perancah yang mendukung metakognisi dan pengaturan diri siswa, serta mengintegrasikan AI ke dalam desain instruksional. Penelitian AI-TPACK memodelkan bagaimana guru menggabungkan pengetahuan teknologi, pedagogis, dan konten melalui alur kerja multi-agen, sementara kerangka kerja sama guru-AI lima tingkat (transaksional ke sinergis) menangkap bagaimana GenAI dapat menggantikan, melengkapi, atau memperkuat kompetensi guru.

• Literasi penilaian: mengevaluasi konten yang dihasilkan AI dan keluaran AI siswa, serta memahami bagaimana validitas bergeser ketika siswa menggunakan AI. Ini terhubung ke Automated Assessment, AI Detection, dan agenda desain ulang penilaian yang lebih luas. Untuk sistem rekomendasi, ini meluas sampai menilai apakah penjelasan AI benar-benar dapat dipahami dan bermakna secara pedagogis: Feldman-Maggor et al. (2025) menemukan guru lebih memercayai rekomendasi pengelompokan AI ketika penjelasannya dibingkai dalam bahasa domain (kurikulum) alih-alih mengekspos fitur model mentah - sebuah keterampilan untuk menuntut dan menilai kualitas penjelasan alih-alih menerima keluaran yang buram.

• Pemilihan model dan desain prompt sebagai keterampilan yang dapat ditunjukkan: literasi AI instrumental mencakup mengetahui model mana yang harus digunakan dan bagaimana merumuskan tugas. Jacobsen et al. (2026) meminta tujuan perencanaan pelajaran 153 guru prajabatan dikritik oleh ChatGPT-4, Claude 3, dan Gemini Advanced di bawah empat prompt yang divariasikan secara sistematis (N = 240 umpan balik dalam Studi 1, 345 dalam Studi 2), dengan umpan balik dinilai pada sembilan kategori kualitas. Pilihan model saja menjelaskan 26,9% varians kualitas yang dinilai (18,4% dalam Studi 2) dan desain prompt menambahkan 15,9% (5,7%) yang signifikan di atasnya; satu fitur prompt yang menentukan adalah bahasa teknis spesifik domain, yang penghapusannya secara signifikan menurunkan kualitas (β = -0,412), sedangkan menambahkan contoh dan menghapus instruksi rantai pemikiran tidak membuat perbedaan signifikan dalam Studi 1. Pembacaan mereka - bahwa terminologi subjek membuka konten data pelatihan yang relevan sekaligus membingkai permintaan secara profesional, seperti role prompting - ditambah aturan praktis untuk menggunakan model terdepan terkini yang paling mampu, menjadikan pemilihan model sebagai keputusan didaktis alih-alih teknis.

• Penggunaan etis dan kritis: mengenali bias dalam keluaran AI, melindungi data siswa (privasi), dan memastikan hasil yang adil (ekuitas). Penggunaan AI yang relevan secara budaya menelaah bagaimana guru dapat menggunakan LLM untuk mendiversifikasi materi alih-alih memperkuat norma yang dominan.

• Tanggung jawab etis bersifat terdistribusi, bukan individual. Di tujuh kasus nasional, guru diposisikan sebagai penjaga moral penggunaan AI sementara mereka kurang mendapat dukungan institusional dan epistemik, sehingga literasi AI etis harus meluas ke agensi kritis dan politis alih-alih keterampilan teknis (Raffaghelli et al. (2026)).

• Keyakinan dan sikap: keyakinan guru membentuk adopsi. Penelitian adopsi menemukan keyakinan, dukungan, dan kegunaan yang dipersepsikan menentukan apakah guru benar-benar menggunakan AI, dan orientasi fakultas membentuk adopsi dalam penelitian dan pengajaran.

• Dalam survei lima negara terhadap 1.405 guru K-12, kesiapan AI memprediksi keyakinan positif tentang nilai instruksional GenAI (B = .59, R² = .50) tetapi memprediksi kekhawatiran kreativitas yang lebih besar (B = .18), dan prediktor yang sama hanya menjelaskan 7% dan 6% dari kekhawatiran - pembangunan kesiapan saja membiarkan kekhawatiran tidak tersentuh (Xiu et al. (2026)).

Kesiapan harus diurutkan dan diukur sesuai dengan itu: Model Kapabilitas-Keputusan menempatkan kapabilitas AI yang ditunjukkan di hulu sikap dan keyakinan serta mengusulkan indikator kinerja alih-alih laporan diri semata - tugas desain pelajaran, tugas evaluasi prompt yang disemai dengan kesalahan, pertimbangan validitas konten, dan rubrik artefak kelas (Mnguni (2026)).

Kesiapan emosional dan moral adalah dimensi yang berbeda. Vassallo (2026) menyurvei staf akademik sebuah universitas Malta (109 responden) dan membangun Indeks Rasa Bersalah AI (α = 0,88) dari empat butir emosi moral, menemukan bahwa rasa bersalah antisipatif melebihi penyesalan yang dialami setelah penggunaan: dukungan terkuat adalah kekhawatiran bahwa penggunaan AI merusak kredibilitas seseorang (34,9% setuju), kemudian perasaan seperti sedang melakukan kecurangan saat menggunakannya (25,7%), sementara penyesalan pascapenggunaan hanya meraih 9,2%. Temuan yang penting bagi kerangka kompetensi adalah bahwa bukan pengguna melaporkan rasa bersalah yang lebih tinggi daripada pengguna (M = 3,25 berbanding M = 2,32) dan bahwa rasa bersalah menurun seiring naiknya keamanan karier - akademisi awal karier melaporkan paling banyak (M = 2,71) dan akademisi senior paling sedikit (M = 2,03). Kesiapan emosional karena itu tidak tertangkap oleh ukuran keterampilan atau keyakinan, dan makalah itu berargumen kerangka kompetensi harus memperlakukan rasa bersalah dan kekhawatiran identitas sebagai respons transisional yang normal alih-alih sebagai cacat yang harus dikoreksi.

Versi yang lebih kuat dari pembingkaian ulang itu berpendapat bahwa GenAI adalah konsep ambang alih-alih kesenjangan keterampilan: sebuah catatan autoetnografis berargumen bahwa kecemasan dan resistensi fakultas merupakan bagian konstitutif dari penyeberangan ambang, sehingga pelatihan berbasis keterampilan gagal dan non-adopsi berprinsip harus dihormati alih-alih dikoreksi (Laidlaw (2026)).

Kesenjangan kompetensi

Temuan kunci adalah kesenjangan antara kompetensi yang dilaporkan sendiri dan kompetensi berbasis kinerja. Penelitian tentang penilaian literasi AI mendokumentasikan perbedaan substansial (hingga sekitar 40%) antara apa yang guru yakini dapat mereka lakukan dan apa yang benar-benar dapat mereka tunjukkan - guru yang percaya diri dalam keterampilan AI sering kali tidak memiliki kemampuan dasar prompting dan evaluasi. Hal ini memotivasi penilaian berbasis kinerja atas kompetensi guru alih-alih bergantung pada laporan diri, dan terhubung ke penilaian diri yang terkalibrasi. Survei nasional terhadap 2.586 guru sekolah menengah Nigeria mengukur kedua sisi dengan instrumen terpisah - kesadaran AI yang moderat (M = 3,13 dari 8) berbanding keterampilan pedagogis AI yang lebih rendah (M = 2,47 dari 5) - dengan guru awal dan pertengahan karier melaporkan keterampilan lebih tinggi daripada kolega berpengalaman (Olurinola et al., 2026).

Kesiapan adalah hambatan yang paling banyak terdokumentasi dalam literatur matematika. Sebuah tinjauan atas 54 studi pendidikan matematika menemukan integrasi teknologis-pedagogis dan kesiapan guru sebagai tantangan yang paling sering dilaporkan (38 dari 54), di depan validitas dan integritas penilaian (26) serta ketergantungan berlebih (24) (Manto et al. (2026)).

Kesenjangannya bukan hanya antara keterampilan yang dipersepsikan dan aktual tetapi juga dalam keluasan apa yang diketahui guru: survei nasional terhadap 2.018 pendidik sekolah menengah Ukraina menemukan 84% melaporkan menggunakan AI dalam praktik profesional sementara hanya 11% dapat menyebutkan layanan AI khusus di luar ChatGPT (Marienko, Markova & Semerikov (2026)). Kekurangan kedua tampak pada apa yang guru suguhkan secara sukarela alih-alih pada apa yang dapat mereka sebutkan: 53 guru dalam jabatan yang menandai kasus kelas mereka sendiri terhadap Kerangka Literasi AI OECD menggambarkan 43 praktik melek AI berbanding hanya 10 kegagalan (Wang et al., 2026). Pilihan kompetensi mereka berkelompok pada pertimbangan praktis (mengevaluasi keluaran AI, N = 38) dan jarang mencapai bias sosial (N = 5), keselarasan etis (N = 6), atau penggunaan energi AI (N = 9).

Survei terhadap 132 guru di Indonesia menemukan penerimaan yang hampir universal disertai pemahaman mekanistis yang tipis: 96,2% mendukung penggunaan AI oleh guru, namun hanya 4,6% menyebut tokenisasi atau decoding dan 21,5% percaya ChatGPT menelusuri basis data atau internet (Aji et al. (2026)). Sikap yang menguntungkan bukanlah bukti model mental yang dapat digunakan tentang alat itu.

Kesenjangan itu terlihat pada artefaknya maupun pada laporan diri. Sebuah kolaboratorium fakultas lintas institusi dalam penyiapan guru, di mana pendidik guru merancang AI ke dalam mata kuliah metode mereka sendiri, melaporkan bahwa calon guru dapat menghasilkan rencana pelajaran berbantuan AI yang rapi sambil tidak mampu menjelaskan mengapa rencana itu cocok untuk para pembelajar dan standarnya, karena rencana itu sendiri tidak mengatakan apa pun tentang penalaran di baliknya. Menilai pembenarannya alih-alih produknya adalah salah satu respons. Kerangka pedagogi praktik menyarankan respons lain, memperlakukan gladi sebagai aproksimasi praktik: gladi yang dimediasi AI dengan umpan balik pascagladi yang terstruktur menaikkan penggunaan pertanyaan menggali dan mengeksplorasi oleh calon guru, namun pertimbangan calon guru sendiri atas kinerja mereka masih menyimpang dari apa yang dicatat pengamat.

Penurunan penilaian diri setelah pelatihan dapat menandakan pembelajaran alih-alih kehilangan. Dalam program Intelligent-TPACK pengembangan profesional enam bulan dengan 64 guru universitas Hong Kong berbanding 61 kontrol, kompetensi AI secara keseluruhan naik sekitar setengah simpangan baku (Cohen's d = -0,521), namun sebagian guru di kedua kelompok mendapat skor lebih rendah pada pascates dibandingkan pratest (Tan, Cheng & Ling, 2025). Wawancara mengaitkan penurunan itu dengan pergeseran dari ketidakmampuan tak sadar ke ketidakmampuan sadar - rekalibrasi yang diprediksi efek Dunning-Kruger - alih-alih kehilangan keterampilan. Para penulis menyimpulkan bahwa laporan diri pra-pascates meremehkan suatu intervensi, karena sebagian keuntungan datang sebagai koreksi ke bawah pada instrumen itu sendiri.

Kesenjangan itu juga tampak sebagai non-partisipasi. Watson & Rainie (2026) menyurvei 1.057 fakultas perguruan tinggi Amerika Serikat pada akhir 2025 dan menemukan 26% sama sekali tidak menggunakan alat AI generatif, dengan sepertiga memilih tidak menggunakannya untuk pengajaran dan non-penggunaan terkonsentrasi di bidang seni dan humaniora (40%). Sisi institusional dari kesenjangan itu lebih besar daripada sisi individualnya: 68% mengatakan sekolah mereka belum menyiapkan fakultas untuk menggunakan AI generatif dalam pengajaran dan pendampingan, dan fakultas menyebut resistensi kolega (82%) serta ketidakakraban (83%) sebagai hambatan utama bagi adopsi di tingkat departemen - gambaran di mana pembangunan kapabilitas, norma sebaya, dan kebijakan semuanya harus bergerak bersama.

Pelatihan prajabatan sebagian besar menghindari dimensi etis dari kompetensi ini. Sebuah tinjauan sistematis atas AI dalam pelatihan guru awal untuk calon guru matematika sekolah dasar (Pinto et al. 2026, 11 studi yang dipilih dari 341 catatan) menemukan intervensi terkonsentrasi pada keuntungan teknis dan pedagogis jangka pendek, dengan sembilan dari sebelas menjalankan intervensi singkat yang mencakup satu hingga enam sesi, dan melaporkan bahwa etika dibahas hanya dalam tiga dari sebelas studi. Kerangka kompetensi menyebut pertimbangan etis sebagai sebuah dimensi; literatur prajabatan yang dimaksudkan untuk membangunnya jarang mengajarkannya atau mengukurnya.

• Tujuh klaster kompetensi, dengan etika sebagai mata rantai terlemah. Sintesis tematik atas 78 studi menghasilkan klaster untuk prompt engineering, evaluasi kritis keluaran AI, kesadaran etis dan deteksi bias, keselarasan pedagogis-konten, literasi AI konseptual, pengawasan manusia, dan refleksi. Prompt engineering adalah yang paling konsisten terdokumentasi dan berperilaku sebagai spektrum perkembangan alih-alih satu keterampilan, yang membuat para peninjau berargumen bahwa hal itu paling baik dipahami sebagai penalaran pedagogis yang dilakukan melalui medium baru - prompt sebagai keputusan desain yang dieksternalisasi. Kesadaran etis adalah kompetensi yang paling lemah terdokumentasi dalam studi prajabatan (Spyropoulou & Kameas, 2026).
• Guru melebih-lebihkan keterampilan evaluasi mereka sendiri. Di luar temuan bahwa hanya 38,3% tujuan pembelajaran yang dihasilkan AI memenuhi semua kriteria kualitas tanpa revisi, guru prajabatan secara sistematis melebih-lebihkan kemampuan mereka untuk mengevaluasi keluaran chatbot - yang dibaca para peninjau sebagai kemungkinan defisit perseptual alih-alih deklaratif. Itulah sebabnya mereka berargumen kompetensi harus dinilai melalui artefak kinerja (rencana pelajaran, catatan keputusan, micro-teaching) alih-alih laporan diri: ketidakandalan penilaian diri ditunjukkan dalam literatur yang justru ingin ditangani oleh pelatihan itu.

Pengembangan profesional yang berhasil

Literatur PD dalam basis pengetahuan mengidentifikasi pendekatan yang efektif:

• Program intensif yang berlandaskan teori: Program PD GenAI intensif dengan 163 guru/guru prajabatan menghasilkan keuntungan signifikan pada semua komponen AI-PCK, dengan guru prajabatan paling banyak memperoleh manfaat. PD berbasis teori penentuan diri menunjukkan pelatihan yang mendukung kebutuhan meningkatkan literasi AI guru, sikap, dan keterlibatan sekaligus mengurangi kecemasan.
• Pendekatan berbasis desain dan terintegrasi: Pelatihan literasi GenAI berbasis DBR menangani penekanan berlebih pada pengetahuan teknis dan alat pra-GenAI; kerangka integratif dan perkembangan serta integrasi kompetensi sosial-emosional memperluas literasi melampaui teknik murni.
• Inkuiri dan praktik autentik: Model inkuiri berbantuan AI membangun literasi AI dan kinerja autentik pada guru prajabatan.
• Kesiapan spesifik konteks: Kerangka kesiapan EPIQ-AI menegaskan bahwa kesiapan fakultas adalah persoalan sosioteknis yang membutuhkan keselarasan kapasitas fakultas, tata kelola, dan penjaminan mutu.
• Dukungan harus dibedakan menurut pengalaman dan kecakapan AI. Choi et al. (2026) menemukan bahwa bagaimana guru benar-benar berinteraksi dengan AI dalam desain pelajaran bergantung pada interaksi pengalaman mengajar dan kecakapan AI, bukan salah satunya saja. Guru berpengalaman dengan kecakapan AI tinggi secara kritis menyesuaikan keluaran AI dengan konteks (prompt ulang, elaborasi), sedangkan pemula - bahkan yang cakap secara teknis - cenderung menerima respons AI secara langsung dan jarang mempertimbangkan siswa dan konteks. Ini berargumen untuk PD berbasis profil: daftar periksa evaluasi respons dan templat prompt untuk pemula, serta pembangunan keterampilan langsung bagi guru berpengalaman dengan kecakapan AI lebih rendah.
• Keuntungan waktu itu sendiri mengikuti pengalaman dan keyakinan, bukan hanya desain dukungan. Dalam uji coba Roy et al. (2026) atas asisten perencanaan pelajaran AI, pengurangan beban kerja lebih besar bagi guru dengan keyakinan pengetahuan subjek lebih rendah, pengetahuan pedagogis lebih rendah, lebih sedikit waktu di profesi, atau keyakinan lebih tinggi dengan teknologi. Kecakapan dan keyakinan karena itu merupakan bagian dari efek intervensi, bukan hanya bagian dari penerimaannya.

Konfigurasi keyakinan adalah sumbu profil kedua: di antara 40.680 guru dalam TALIS 2024, status non-penggunaan yang sama menutupi hambatan yang berlawanan - 83,3% dari profil Indifferent menyebut keberatan pedagogis sementara 66,2% dari Measured Endorsement menyebut pengetahuan dan keterampilan yang tidak memadai (Fang & Jin (2026)). Pembelajaran profesional terkait AI melacak keanggotaan profil lebih konsisten daripada usia atau pencapaian pendidikan.

• Guru tidak berbagi satu konsepsi tentang AI. Studi fenomenografis atas 16 guru pendidikan tinggi Denmark menemukan tiga konsepsi tentang mengajar-dengan-AI dan tiga tentang belajar-dengan-AI, sehingga satu model lokakarya hanya menjangkau sebagian dari kelompok fakultas mana pun (Stenalt (2026)).

• Kodesain dan literasi prompt pedagogis adalah kompetensi, bukan tambahan. Sebuah tinjauan sistematis atas kodesain tugas belajar antara guru dan AI (Wang, Liu & Islam 2026, 28 studi) menemukan mode kolaborasi yang dominan adalah AI sebagai asisten atau penghasil konten, dan menemukan celah pada kapasitas kodesain dan kemitraan dialogis guru yang lebih penuh. Talebzadeh (2026) menunjukkan PD yang memasangkan pelatihan AI teknis dengan penalaran pedagogis - membangun "literasi prompt pedagogis" (mengodekan PCK ke dalam prompt) - adalah yang memungkinkan guru mengubah keluaran AI menjadi kegiatan kelompok berdiferensiasi yang efektif.

• Struktur yang membangun kompetensi, bukan daftar kompetensi. Perl-Nussbaum dan Finkelstein (2026) menjalankan komunitas belajar fakultas dua mingguan enam sesi di departemen fisika R1 publik besar - sembilan belas fakultas di seluruh rangkaian, sekitar sepuluh pada setiap pertemuan - di mana setiap sesi dibuka dengan data lokal, berlanjut ke pengujian AI dalam kelompok kecil terhadap pekerjaan rumah siswa nyata yang dianonimkan, dan ditutup dengan diskusi kolektif, dan program itu menghasilkan repositori bersama berisi lima entri alih-alih paket pelatihan. Literasi penilaian dapat dibangun dengan cara yang sama melalui alat desain: dalam pilot Paula et al. (2026), delapan koordinator mata kuliah STEM dan Kesehatan berpengalaman menumbuhkan literasi penilaian mereka dengan mengkritik draf penilaian dari GPT khusus terhadap standar disiplin, meskipun keluarannya berulang kali melewati konteks disiplin, mengabaikan urutan topik, dan dalam satu kasus membawa referensi yang difabrikasi melalui prompting berulang. Kedelapan orang itu mempertahankan pertimbangan akademik pada diri mereka sendiri dan menolak otomatisasi menyeluruh, yang menjadikan kritik terstruktur atas draf yang dihasilkan sebagai mekanisme pengembangan alih-alih pelatihan alat.

• Sesi singkat dapat menggerakkan penerimaan tanpa menggerakkan adopsi. Mesenhöller dan Böhme (2026) mengevaluasi sesi INSIGHT tiga jam dengan 100 guru Jerman dan menemukan kegunaan yang dipersepsikan dan kemudahan penggunaan yang dipersepsikan keduanya naik secara signifikan (kegunaan t(99) = -3,24, p = .002, d = .32; kemudahan penggunaan d = .25) sementara niat berperilaku untuk menggunakan teknologi berbasis AI untuk diferensiasi tidak berubah. Para penulis mencatat garis dasar mereka sudah menguntungkan, sehingga efek langit-langit mungkin terjadi. Pembacaan bagi desain PD sempit tetapi berguna: sesi singkat dapat menggeser bagaimana guru menilai alat AI tanpa menggeser apakah mereka berencana menggunakannya, yaitu jenis perubahan yang membutuhkan tindak lanjut alih-alih acara sekali jalan.

• Pengajar lebih menyukai kelancaran tetapi mengaitkan pembelajaran pada perancah. Di antara 41 pengajar, garis dasar GPT-4o lebih disukai secara keseluruhan (21 berbanding 13) namun model tiga langkah yang disetel halus (identifikasi, eksplorasi, pengembangan) lebih sering dikreditkan dengan pembelajaran (18 berbanding 13), dan kedua pertimbangan itu hanya sepakat 39% dari waktu (Molnar et al. (2026)).

• Dukungan institusional: pengembangan profesional harus dipasangkan dengan infrastruktur institusional (kebijakan, perubahan institusional) untuk adopsi yang berkelanjutan.

• Alat penulisan tidak menjamin kesetiaan pedagogis. Riahi et al. (2026) meneliti 27 guru sekolah menengah yang mengonfigurasi chatbot pendidikan dalam lokakarya pengembangan profesional, menganalisis kelompok fokus bersama log konfigurasi dan interaksi. Guru memperlakukan chatbot sebagai perancah instruksional yang dibatasi aturan yang ditetapkan guru, namun keselarasan berbasis log antara maksud dan perilaku lebih kuat untuk responsivitas (88,9%) dan persona (81,5%) daripada untuk aturan (70,4%) dan tujuan (59,3%). Kontrol yang dapat dikonfigurasi saja tidak membawa maksud pedagogis ke dalam perilaku, sehingga mengungkapkan, menguji, dan menyempurnakan pedagogi chatbot itu sendiri merupakan kompetensi yang harus didukung oleh perangkat penulisan.

Contoh tandingan berbasis desain memperlakukan kompetensi sebagai situasional alih-alih sebagai anak tangga. Studi berbasis desain Eyal 2025 dengan 22 pendidik guru pendidikan tinggi meminta peserta menelaah lima kerangka penilaian yang terbit dan mendesain bersama alternatif yang diorganisasi di sekitar tiga sumbu yang saling terkait: kesesuaian konteks (infrastruktur, faktor sosiokultural, kebutuhan lokal, tahap perkembangan), kebutuhan profesional (disiplin, pedagogi, kepemimpinan, dukungan), dan pengembangan dinamis. Model itu menolak tingkat kompetensi tetap dan memungkinkan kemajuan non-linear, dan disertai kuesioner penilaian diri reflektif 20 butir dengan skala 1 sampai 5. Validasinya hanya kualitatif, tanpa pengujian keandalan kuantitatif, sehingga kedudukannya sebagai kontribusi desain alih-alih instrumen tervalidasi.

• Perkiraan meta-analitik. Guo et al. (2026) menggabungkan 212 ukuran efek dari 34 studi dan memperkirakan PD literasi AI guru sebesar g = 0,76 (95% CI [0,50, 1,02]), terkuat untuk keterampilan (g = 0,91) dan terlemah untuk sikap dan nilai (g = 0,61); koreksi untuk seleksi publikasi yang tampak menurunkan perkiraan menjadi sekitar g = 0,49.

• Kehadiran memprediksi keuntungan, sedangkan perasaan berpartisipasi tidak. Dalam program enam bulan yang sama, tingkat kehadiran memprediksi keuntungan kompetensi (β = .407, p = .001) sementara partisipasi yang dipersepsikan sendiri tidak (β = .049, p = .692), dan disiplin, pengalaman mengajar, serta jabatan profesional menjelaskan sedikit saja; para penulis membaca kehadiran sebagai investasi perilaku dan partisipasi yang dipersepsikan sebagai keterlibatan di permukaan (Tan, Cheng & Ling, 2025).

• Nilai tertinggal dari keterampilan juga dalam program spesifik domain. Dalam program satu tahun di Hong Kong dengan 30 guru bahasa Inggris, pengetahuan tentang strategi penilaian multimodal naik dari 3,13 menjadi 4,15 dari 5 (partial η² = 0,571) dan kompetensi dalam mendukung siswa dari 3,05 menjadi 3,98 (0,482), keduanya signifikan, sementara setiap subdomain nilai tetap datar secara statistik di bawah alpha terkoreksi Bonferroni sebesar .006. Para guru mengaitkan keuntungan itu dengan perencanaan bersama di sekolah dan pertemuan klaster antar sekolah alih-alih dengan lokakarya semata (Jiang et al., 2026).

• Microlearning dapat mengembangkan kompetensi AI guru universitas. Cechovsky (2026) menyempurnakan dua modul pendidikan vokasional melalui dua diskusi kelompok daring menjadi lima prinsip desain - struktur dan orientasi yang jelas, dukungan panduan dan navigasi, segmentasi dan modularisasi, penyajian multimodal, dan aktivasi pembelajar - dan menemukan navigasi platform serta penemuan modul sebagai hambatan praktis utama.

Kompetensi AI guru dan peran guru yang bertransformasi

Ketika AI mengambil alih tugas instruksional dan penilaian rutin, kontribusi khas guru bergeser ke arah orkestrasi, pertimbangan, dan relasi: memutuskan kapan dan bagaimana AI digunakan, merancah agensi siswa dan penggunaan kritis, memastikan ekuitas, dan memberikan dukungan sosial serta emosional yang tidak dapat diberikan AI. Hal ini membingkai ulang kompetensi guru di sekitar pengawasan manusia dalam lingkar, pertimbangan etis, dan mendukung pembelajaran yang diatur sendiri - terhubung ke Pengajaran dan menjaga terhadap ketergantungan berlebih.

Implikasi bagi AI dalam pendidikan

• Nilai kinerja, bukan hanya laporan diri: kompetensi guru harus dievaluasi melalui demonstrasi, mengingat kesenjangan laporan diri yang terdokumentasi.

• Latih kompetensi penuh, bukan hanya alat: PD harus membangun dimensi teknis, pedagogis, penilaian, dan etis secara bersamaan, berlandaskan teori pembelajaran.

• Bangun keyakinan bersama keterampilan: sikap dan efikasi diri membentuk adopsi, sehingga PD harus mengurangi kecemasan dan membangun keyakinan melalui praktik autentik yang didukung.

• Dukung lapisan institusional: kompetensi guru yang berkelanjutan membutuhkan kebijakan, tata kelola, dan kapasitas yang selaras, bukan pelatihan yang terisolasi.

• Kompetensi digital guru untuk desain kurikulum GenAI. Guillén-Gámez (2026) memvalidasi instrumen diagnostik berbasis TAM dengan 434 guru dalam jabatan; niat berperilaku adalah prediktor utama kompetensi digital untuk menggunakan GenAI dalam perencanaan kurikulum, dengan efikasi diri sebagai pendorong akar.

Instrumen Psikometrik untuk Kompetensi AI Guru

• Sebuah studi psikometrik mengembangkan Teachers' AI Literacy Scale (TAILS) untuk mengukur literasi AI secara khusus dalam pendidikan guru bahasa, mengoperasionalkan enam dimensi kerangka ED-AI. Pengembangan instrumen itu mengisi celah dalam penilaian yang menyasar siswa atau pengguna umum, mendukung pengukuran kompetensi AI guru.

Lanskap instrumen itu sendiri sejak itu telah ditinjau. Tinjauan sistematis Zainal, Mohd Matore dan Maat 2026 atas alat pengukuran literasi AI guru menilai 33 instrumen yang terbit antara 2019 dan 2025 dan menemukan bidang ini monoton secara metodologis: 31 (93,9%) adalah skala laporan diri tentang keyakinan yang dipersepsikan, hanya dua (6,1%) menguji pengetahuan secara objektif, dan tidak ada yang menggunakan tugas berbasis kinerja. Konsistensi internal adalah domain kualitas terkuat (28 dari 33 pada Grade A) dan keadilan yang terlemah, dengan lima instrumen (15,2%) melaporkan invariansi pengukuran atau bukti fungsi butir diferensial. Kontennya juga tertinggal dari teknologinya, karena 29 instrumen (87,9%) menyasar konsep AI umum dan hanya empat (12,1%), semuanya dari 2025, membahas AI generatif.

Miskonsepsi Umum

• "Pelatihan prompting membuat materi guru lebih baik." Pelatihan prompting membeli waktu, bukan materi yang lebih baik: dalam RCT terpreregistrasi dengan 204 guru, Appel, Fervers dan Piepenburg (2026) menemukan ChatGPT meningkatkan waktu yang dihemat sementara kualitas materi tidak mengikuti. Keuntungan efisiensi itu nyata dan bukan keuntungan kualitas.
• "Ketika guru mengonfigurasi chatbot, kegagalannya adalah kesalahan faktual." Ketika guru mengonfigurasi chatbot dalam bahasa alami, kegagalan yang dominan adalah hilangnya maksud alih-alih fakta yang salah - bot melewati langkah yang dimaksudkan guru. Kepatuhan pada instruksi gagal secara struktural alih-alih faktual.
• "Keterampilan teknis adalah lapisan penentu." Pengetahuan pedagogis adalah lapisan penentu: sebuah studi lintas jenjang tentang pendidikan AI sekolah menengah Shen et al., 2026. Kompetensi yang menentukan hasil adalah yang paling kurang diinvestasikan oleh sebagian besar program pelatihan.

Konsep Terhubung

• Literasi AI
• Pengembangan Pendidikan
• Pengajaran
• Prompt Engineering
• Desain Pembelajaran
• Scaffolding
• Metacognition
• Assessment Validity
• Equity
• Ethics
• Self-Efficacy
• Human-in-the-Loop
• Learner Agency
• Offloading Kognitif
• Educational AI Policy
• AI dalam Pendidikan
• Technological Pedagogical Content Knowledge (TPACK)
• Teacher Education
• Pedagogies and Teaching Strategies - Payung: pedagogi dan strategi pengajaran dalam pendidikan AI

Artikel Terhubung

• Lesson planning using AI lesson assistant, Aila - A Teacher Choices Trial — Guru mana yang memperoleh waktu perencanaan: keyakinan pengetahuan subjek lebih rendah, pengetahuan pedagogis lebih rendah, lebih baru di profesi, atau keyakinan teknologi tinggi

• AI Misconception and Adoption Among Indonesian K-12 Teachers — Guru menerima AI sambil salah memahami cara kerjanya (Aji et al. 2026)

• AI integration in mathematics education: A systematic review of implementation challenges and pedagogical implications (2017-2025) — Kesiapan guru dan integrasi teknologis-pedagogis sebagai tantangan yang paling sering dilaporkan di seluruh 54 studi pendidikan matematika (Manto et al. 2026)

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Literasi penilaian multimodal: program satu tahun di mana pengetahuan dan kompetensi bergerak tetapi nilai tidak

• The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis

• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — PD Intelligent-TPACK: keuntungan setengah simpangan baku, dan keuntungan negatif yang terbaca sebagai rekalibrasi - Dampak program pengembangan profesional terhadap literasi AI guru K-12: Tinjauan sistematis dan meta-analisis

• AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice — Guru menandai kasus AI kelas mereka sendiri dan dengan mudah mencapai kompetensi praktis tetapi jarang mencapai yang sosial dan etis (Wang et al. 2026)

• Typology of Generative AI Tools for Education — Pemilihan alat sebagai latihan agensi pendidik

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Tinjauan sistematis AI generatif dalam pengajaran dan pembelajaran K-12 (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Pengetahuan profesional guru dalam pendidikan AI K-12: TAIK versus TPAIK dan pembelajaran siswa (Shen et al. 2026)

• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Pola interaksi guru-AI dalam desain pelajaran di seluruh pengalaman dan kecakapan AI (Choi et al. 2026)

• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — Penggunaan GenAI yang bertanggung jawab oleh guru prajabatan: implikasi kurikulum (Kohnke et al. 2026)

• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — Observasi kelas oleh LLM untuk pengembangan profesional guru (Melo et al. 2026)

• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — AI generatif di seluruh representasi, dekomposisi, dan aproksimasi: gladi, umpan balik terstruktur, dan peringatan akurasi

• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers — Efikasi program pengembangan profesional GenAI intensif

• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Memodelkan AI-TPACK melalui alur kerja multi-agen guru

• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Menuju interaksi guru-AI yang sinergis

• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Pendidikan guru untuk literasi AI melalui teori penentuan diri

• Development and evaluation of artificial intelligence literacy training for teacher education students — Pelatihan literasi GenAI berbasis penelitian desain

• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — Memikirkan ulang literasi GenAI dalam pendidikan guru

• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — Mengintegrasikan kompetensi sosial-emosional dengan literasi AI

• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — Adopsi AI di antara guru: keyakinan dan dukungan

• Faculty Orientations Shape Adoption of AI in Research and Teaching — Orientasi fakultas membentuk adopsi AI

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Ketidakselarasan antara kompetensi AI yang dilaporkan sendiri dan yang berbasis kinerja

• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — Inkuiri berbantuan AI untuk guru prajabatan

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — Kerangka kesiapan fakultas EPIQ-AI

• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLM untuk pedagogi K-12 yang relevan secara budaya

• A Framework for Institutional Change in the Age of AI — Kerangka perubahan institusional untuk AI

• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — Chatbot TeachingCoach untuk panduan pengajar

• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — GenAI sebagai krisis identitas, bukan kesenjangan keterampilan

• Situated AI ethics: a cultural-historical and ecological framework for education

• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Menilai Kompetensi Digital Guru untuk Desain Kurikulum GenAI (Guillén-Gámez 2026)

• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — studi fenomenografis tentang konsepsi guru universitas mengenai AI

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Kerangka literasi AI lima tingkat + PD untuk pendidik sekolah menengah Ukraina (Marienko et al. 2026)

• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Kodesain tugas belajar antara guru dan AI: tren dan perspektif (Wang et al. 2026)

• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Arsitektur peran dalam kegiatan kelompok berdiferensiasi yang dirancang AI (Talebzadeh 2026)

• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations

• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Prompt engineering dan pemilihan model sebagai prediktor kualitas umpan balik AI (Jacobsen et al. 2026)

• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — Kompleks Rasa Bersalah AI: rasa bersalah antisipatif dan empat profil respons moral di antara staf akademik (Vassallo 2026)

• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — Sesi PD guru tiga jam menaikkan kegunaan dan kemudahan penggunaan yang dipersepsikan tetapi tidak niat yang dinyatakan untuk mengadopsi (Mesenhöller & Böhme 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Tinjauan sistematis AI dalam pelatihan guru matematika sekolah dasar prajabatan: etika dibahas hanya dalam tiga dari sebelas studi (Pinto et al. 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — Survei AAC&U/Elon atas 1.057 fakultas Amerika Serikat: kesiapan, non-penggunaan, dan kesenjangan kebijakan individual versus institusional (Watson & Rainie 2026)

• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Kolaboratorium fakultas lintas institusi: integrasi AI sebagai desain instruksional dalam penyiapan guru

• Assessing teachers' AI literacy: a systematic review of measurement tools — Tinjauan sistematis atas 33 instrumen untuk mengukur literasi AI guru: 31 laporan diri, dua tes pengetahuan objektif, tanpa tugas kinerja (Zainal, Mohd Matore & Maat 2026)

• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — Model literasi AI adaptif berbasis desain dan kuesioner reflektif 20 butir yang didesain bersama 22 pendidik guru (Eyal 2025)

• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — Rangkaian Lokakarya untuk Penggunaan AI yang Efektif di Masa yang Tidak Pasti: Membangun Komunitas Belajar Fakultas Fisika

• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Merancang Penilaian Autentik dengan AI Generatif: Studi Pilot Assessment Authentifire di Pendidikan Tinggi

• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Apakah Akan Mengajar Sesuai Maksud? Bagaimana Guru Mengonfigurasi Chatbot AI Pendidikan

• A Capability–Decision Model of teacher readiness for AI integration in teaching — Model kesiapan guru berurutan yang mengutamakan kapabilitas dengan indikator kapabilitas berbasis kinerja

• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — Survei lintas negara atas 1.405 guru K-12: kesiapan memprediksi keyakinan positif tetapi bukan kekhawatiran

• Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — Empat profil keyakinan guru TALIS 2024 menghubungkan pembelajaran profesional dan hambatan spesifik profil terhadap penggunaan AI

• Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study — Merancang Modul Microlearning tentang AI untuk Guru Universitas dalam Pendidikan Guru Vokasional: Studi Penelitian Berbasis Desain

• EduWild: How Teacher-Configured Chatbots Fail in Real-World Use and How to Fix Them — EduWild: Bagaimana Chatbot yang Dikonfigurasi Guru Gagal dalam Penggunaan Dunia Nyata dan Cara Memperbaikinya