Pendidikan Guru

Di halaman ini

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

Pengembangan profesional — persiapan dan pengembangan profesional berkelanjutan bagi guru, mencakup pelatihan guru prajabatan (program sertifikasi awal) dan pengembangan profesional dalam jabatan. Dalam riset AI dalam pendidikan, pendidikan guru telah menjadi perhatian sentral karena literasi AI guru, pengetahuan teknologis-pedagogis, kelancaran etis, dan kesiapan mengintegrasikan AI ke dalam pengajaran menentukan apakah adopsi AI di ruang kelas berhasil. Konsep ini menata cakupan luas basis pengetahuan tentang bagaimana AI membentuk ulang persiapan, pengetahuan, keyakinan, dan praktik calon guru maupun guru yang sudah mengajar.

Pertanyaan untuk Dipertimbangkan

Pendidikan guru di sini mencakup pelatihan prajabatan (calon guru dalam program sertifikasi) dan pengembangan profesional dalam jabatan (guru yang sudah mengajar). Mana dari keduanya yang menurut Anda menghadapi tantangan lebih besar dalam bersiap untuk kelas ber-AI, dan mengapa?
Halaman ini menyarankan pendidikan guru harus menyiapkan guru bukan hanya untuk memakai alat AI tetapi untuk memahami, mengevaluasi, dan mengintegrasikannya secara etis — pergeseran yang 'mendefinisikan ulang arti menjadi guru.' Menurut Anda bagaimana pendefinisian ulang itu seharusnya mengubah apa yang diajarkan sebuah program sertifikasi?
Kerangka seperti AI-TPACK memperluas model TPACK klasik dengan menambahkan dimensi AI dan etika. Menurut Anda apa yang seharusnya benar-benar terkandung dalam 'dimensi AI' dari pengetahuan teknologis-pedagogis-konten selain cara mengoperasikan chatbot?
Sebuah tinjauan lingkup atas 55 studi yang dikutip di halaman ini menemukan AI meningkatkan desain instruksional, refleksi, dan berpikir kritis calon guru. Tetapi jika AI dapat melakukan sebagian hal itu untuk mereka, kapan penggunaannya dalam pelatihan guru membangun keterampilan dan kapan justru menggantikan pertimbangan yang akan mereka butuhkan?
Jika Anda merancang ulang program pendidikan guru untuk era AI, apa yang akan Anda wajibkan dialami setiap calon guru — dan apa yang sengaja Anda jaga agar tidak mereka serahkan ke AI?

Pendahuluan

Pendidikan guru berada di persimpangan beberapa untaian basis pengetahuan: ia adalah disiplin/domain (seperti Pendidikan Kedokteran dan Profesi Kesehatan dan Pendidikan Humaniora dan Ilmu Sosial), tetapi juga menarik dari konsep umum Pengajaran, Pengetahuan Teknologis, Pedagogis, dan Konten (TPACK), Kompetensi AI Guru, dan Literasi AI. Di era AI, pendidikan guru harus menyiapkan guru bukan hanya untuk memakai alat AI tetapi untuk memahami, mengevaluasi, dan mengintegrasikannya secara etis — pergeseran yang mendefinisikan ulang arti menjadi guru. Ilmu pembelajaran menyediakan pengetahuan yang harus dibawa formasi ini: jika bidang itu mempelajari bagaimana orang belajar dan bagaimana lingkungan belajar seharusnya dirancang, pendidikan guru adalah formasi profesional tempat bukti semacam itu harus mendarat sebagai kapasitas guru sendiri untuk merancang, mengajar, dan menilai.

Bukti lintas tingkat mempertajam prioritas desain: studi bertingkat atas 46 guru dan 2,832 siswa menengah menemukan bahwa pengetahuan AI pedagogis (TPAIK) — bukan pengetahuan AI teknis — mendorong persepsi siswa tentang AI untuk kebaikan sosial dan niat mereka mempelajari AI. Pendidikan guru karena itu harus mengedepankan cara mengajar dengan dan tentang AI di atas kemahiran alat, konsisten dengan pedoman "pedagogi dahulu, teknologi kemudian".

Sebuah untaian heutagogis berjalan seiring prioritas desain ini: Hochberg & Waitzman (2026) mengikuti 93 guru Israel melalui program pengembangan profesional AI selama delapan pekan dan mengusulkan hubungan dua lapis di mana Regulasi AI dalam Pendidikan reflektif guru sendiri dan literasi AI kritis memediasi desain berorientasi Agensi Pembelajar dan kapabilitas yang mereka ciptakan untuk Pembelajar.

Pendidikan guru prajabatan

Pendidikan guru prajabatan (awal) menyiapkan calon guru selama program sertifikasi mereka. Riset AI dalam untaian ini mencakup:

Kesiapan AI-TPACK dan intelligent-TPACK. Instrumen dan kerangka mengukur serta membangun kesiapan calon guru untuk mengintegrasikan AI, memperluas kerangka Pengetahuan Teknologis, Pedagogis, dan Konten (TPACK) dengan dimensi AI/etika.(Conceptualizing pre-service teachers' readiness for AI integration into teaching practices: An intelligent-TPACK approach)(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs)
Profil penerimaan, dan paradoks kemudahan-penggunaan/niat. Chen et al. (2026) memprofilkan 128 calon guru ke dalam empat kelompok penerimaan ChatGPT: Skeptis yang Menolak (14.06%) melaporkan kemudahan penggunaan yang tinggi tetapi niat berperilaku sangat rendah, sehingga pelatihan keterampilan operasional saja tidak mengubah mereka.
Konteks lokal sebagai masukan desain. Calon guru Swiss menilai motif utilitas sosial dan intrinsik lebih tinggi daripada rekan mereka di Tiongkok, yang melaporkan kompetensi mengajar digital dan antusiasme AI lebih besar (Martínez-Moreno et al. (2026)). Persiapan harus menyesuaikan titik masuknya dengan profil motivasi setiap latar.
Aplikasi dan manfaat. Tinjauan lingkup atas 55 studi menunjukkan AI meningkatkan desain instruksional, pengajaran mata pelajaran, keterampilan mengajar praktis, evaluasi, praktik reflektif, berpikir kritis, integrasi teknologi, dan inovasi pedagogis calon guru.(Harnessing artificial intelligence for preservice teachers' development: A scoping review of applications, benefits, and challenges)
Akses genAI tanpa scaffolding mendapat skor di bawah tanpa genAI. Dalam kuasi-eksperimen 11 pekan dengan 52 calon guru, kelas genAI tanpa scaffolding menghasilkan rencana pembelajaran yang dinilai rubrik lebih rendah daripada kelas tanpa genAI (terkoreksi 86.54 vs 81.87, F = 8.348, p = 0.006, η² = 0.146), tanpa perbedaan antarkelompok pada Regulasi Diri dalam Belajar atau berpikir kritis (Zhang et al. (2026)).
Siklus custom-GPT terstruktur menghasilkan empat peran mitra kognitif. Dalam studi berbasis desain satu semester, 14 calon guru Teknologi Digital memakai agen GPT personal terintegrasi LMS melalui siklus Prompt–Reflect–Refine, memerankan peran tutor konseptual, co-designer, cermin reflektif, dan penantang kognitif seiring keahlian tumbuh (Zagami), dan 82% artefak akhir memetakan deskriptor konten, tugas penilaian, dan kriteria keberhasilan.
Robotika pendidikan dan ML. Pelatihan guru awal menyematkan aktivitas pengodean, robotika, dan Pembelajaran Mesin (mis., micro:bit) untuk membangun berpikir komputasional pada calon guru.(Coding, robots, computational concepts, and machine learning using the microbit card and the Maqueen and Nezha kits. A study in initial teacher training)
Penilaian autentik dan metakognisi. Model penilaian yang dimediasi AI (mis., AAIWA) mengintegrasikan penilaian autentik berbasis rubrik, umpan balik AI yang responsif terhadap kondisi, dan refleksi metakognitif dalam program prajabatan.(AI-mediated authentic assessment and metacognitive reflection: A mixed-methods study of the AAIWA model)
Inkuiri berbantuan AI dalam pendidikan sains. Kuasi-eksperimen dengan 48 calon guru sains di Türkiye (Aydın) mengintegrasikan pembelajaran berbasis masalah dan desain ke dalam program inkuiri terpandu berbantuan AI selama 8 pekan tentang fotosintesis dan respirasi. Program itu menghasilkan keuntungan signifikan dalam pemahaman konseptual atas kedua proses biologis tersebut, tetapi tidak berefek signifikan pada literasi AI atau berpikir komputasional yang dipersepsikan sendiri — pengingat bahwa AI-IBL dapat memperdalam pemahaman materi pelajaran pada calon guru tanpa otomatis membangun kompetensi AI/CT mereka, yang menuntut desain eksplisit dan tertarget.
Prompting metakognitif tidak netral terhadap kelompok, sehingga calon guru harus belajar membaca kelompok. Dalam studi Wang et al. (2026) pembelajarnya adalah calon guru sendiri, empat belas kelompok mengerjakan inkuiri 60 menit dengan chatbot metakognitif sesuai permintaan. Kelompok yang anggotanya memiliki prakonsepsi berbeda menjadikan AI pusat percakapan konseptual; kelompok yang sudah sepakat memakainya sebagai alat pencarian dan menilai dorongan proaktif secara negatif. Catatan praktisi para penulis meminta guru menyusun kelompok berdasarkan keberagaman prakonsepsi dan menjaga dukungan regulasi bersama tetap opsional.
AI generatif untuk desain instruksional konstruktivis. Model SAHAB adalah intervensi pengembangan profesional kuasi-eksperimental di mana AI generatif memberdayakan guru untuk merancang pengajaran Konstruktivisme, dengan keuntungan besar (d = 1.18). Ini menunjukkan GenAI dapat menopang desain instruksional bagi calon guru maupun guru yang sudah mengajar — bukan hanya menyampaikan konten, tetapi mendukung desain aktivitas belajar yang berpusat pada siswa.
Pelatihan kelas pintar untuk mahasiswa M.Ed. matematika pascasarjana. Zhu, Liang, Mao, dan Wang (2026) menunjukkan bagaimana mata kuliah M.Ed. matematika dapat diperkaya dengan teknologi pendidikan cerdas (penskoran otomatis, rekomendasi personal, umpan balik multi-AI) di tahap pra-kelas, dalam kelas, dan pasca-kelas, menghasilkan keuntungan yang signifikan secara statistik dalam kemahiran desain tujuan instruksional. Model D-T-E yang dapat ditransfer (Disciplinary Demand–Technological Empowerment–Evaluation Loop) menawarkan para pendidik guru kerangka spesifik disiplin untuk mengintegrasikan pendidikan cerdas ke dalam persiapan guru pascasarjana.
Adopsi di bawah kebijakan yang permisif lebih tipis daripada yang disarankan survei, dan literasi penilaian tidak ikut berpindah. Zou et al. (2026) menyurvei 85 calon guru di tiga mata kuliah pendidikan guru Hong Kong yang secara eksplisit mengizinkan AI generatif dalam penilaian: 62.4% (53) memilih tidak memakainya sama sekali, dan penggunaan para pengadopsi bersifat dangkal dan korektif (proofreading 43.8%, pemeriksaan kejelasan 34.4%, generasi teks 18.8%, curah gagasan 12.5%). Takut dituduh plagiat secara keliru (41.5% dari non-pengadopsi) dan preferensi bekerja sendiri (77.4%) lebih besar daripada keterampilan yang kurang (13.2%), dan sembilan dari sebelas narasumber membaca kebijakan permisif itu sebagai kemungkinan "jebakan" — bukti bahwa calon guru membawa kecemasan integritas, bukan hanya kesiapan alat, ke dalam tugas kuliah yang mengizinkan AI.
Penulisan kebijakan AI kelas sebagai lensa atas pemikiran calon guru. Nash & Burriss (2026) meminta 27 calon guru bahasa Inggris menengah pada tahun akhir sebuah program persiapan bahasa Inggris menengah menulis kebijakan AI yang akan mereka pakai di kelas 6–12 mereka sendiri, di sebuah negara bagian tanpa panduan AI tingkat negara bagian. 26 dari 27 mengizinkan sebagian penggunaan AI, hampir selalu dibatasi pada tugas, waktu, dan tempat yang ditentukan guru, dan hanya satu yang melarangnya sepenuhnya dengan alasan etis terkait praktik ketenagakerjaan dan hak cipta; 22 mengizinkan AI untuk menghasilkan gagasan sementara 22 melarang atau membiarkan tidak jelas penggunaan AI untuk menyusun kalimat, paragraf, atau makalah, dan refleksi yang menyertainya terbaca sebagai negosiasi antara komitmen pedagogis dan rasa kewajiban mengintegrasikan AI. Meminta calon guru menyusun kebijakan — alih-alih berdebat tentang AI secara abstrak — memunculkan filosofi, keyakinan, dan asumsi kurikulum mereka, menjadikan penulisan kebijakan aktivitas bernilai tinggi bagi mata kuliah metodologi.
Kebijakan tidak mengatur praktik. Data survei empat semester dari sebuah program pendidikan guru di AS menunjukkan penggunaan GenAI untuk persiapan penilaian naik dari 57% ke 83% dan untuk belajar dari 44% ke 76%, bahkan ketika institusi mempertimbangkan perangkat lunak deteksi AI, dengan ketidakpastian etis yang meningkat di seluruh gelombang (Parker et al. (2026)).
Tidak ada studi prajabatan yang mengukur pembelajaran siswa. Sebuah tinjauan yang hanya dapat menyertakan tujuh sumber menemukan etika diakui tetapi jarang diajarkan atau dinilai, dan calon guru terlalu percaya diri dalam mengkritik AI (Shukla (2026)).

Pengembangan profesional dalam jabatan

Pengembangan profesional dalam jabatan mendukung guru yang sudah mengajar dalam mengintegrasikan AI. Riset AI di sini mencakup:

Kerangka PD berbasis Intelligent-TPACK. Sebuah kerangka yang diinformasikan riset menyelaraskan lima domain pengetahuan i-TPACK dengan empat jalur PD berbasis bukti (pembelajaran aktif, model/contoh, coaching, umpan balik/refleksi).(Designing effective AI professional development: A framework grounded in intelligent-TPACK)
Pengetahuan pedagogis teknologis (TPK) spesifik GenAI. Pendidik guru sendiri memerlukan GenAI-TPK — penalaran pedagogis, kesadaran etis, dan desain instruksional yang diperkaya AI — untuk menyiapkan guru.(Teaching the teachers: A systematic review of genAI-specific technological pedagogical knowledge (TPK) in teacher education)
Literasi AI yang berpusat pada manusia dan kritis. Riset berbasis desain menghasilkan kurikulum pembelajaran profesional yang mengoperasionalkan literasi AI kritis melalui aktivitas AI berpusat pada manusia, termasuk tugas dengan pendidik dalam lingkar.(Human-centered AI for teacher educators: Designing professional learning for critical AI literacy)
Kapasitas dibangun dengan melakukan, bukan dengan mempelajari. Model struktural berbasis TPACK atas 122 guru dalam jabatan menemukan bahwa penggunaan AI yang sebenarnya pada tugas sains dan energi hijau serta keterlibatan mengembangkan materi selaras ESD memprediksi kapabilitas integrasi AI, sementara pengetahuan AI abstrak dan sikap terhadap AI tidak (Riandi et al. (2026)).
Evaluasi AI kolaboratif atas konten yang dihasilkan AI sebagai PD. Gat, Usher, dan Barak (2026) melaporkan lokakarya di mana 60 guru sains sekolah menengah menilai pertanyaan penilaian hasil ChatGPT melalui pertimbangan disipliner, pedagogis, dan kurikuler mereka. Evaluasi kolaboratif itu sendiri berfungsi sebagai pengembangan profesional, membantu guru menerapkan kriteria presisi konseptual pada keluaran AI dan memunculkan risiko bahwa konten AI memperkuat Miskonsepsi tentang AI — memosisikan guru sebagai evaluator kritis materi GenAI alih-alih konsumen pasif.
PD terstruktur untuk pendidik bahasa jarang tetapi efektif. Sebuah tinjauan sistematis atas 23 studi (Li et al. 2026) menemukan hanya tiga studi yang disertakan melaporkan pengembangan profesional terstruktur — modul mata kuliah tata bahasa yang tersemat, program EMI pemerintah, dan inkuiri chatbot yang tersemat — namun semuanya bertemu pada keuntungan dalam pengetahuan, kepercayaan diri, dan pembingkaian ulang identitas, menggeser pandangan pendidik tentang GenAI dari "risiko penggantian" menjadi asisten/peningkat. Tinjauan itu berargumen PD harus memasangkan pembangunan keterampilan teknis dengan kebijaksanaan praktis, bergerak dari peningkatan kesadaran dan etika melalui penguasaan alat secara langsung ke desain bersama pelajaran yang diperkaya AI, dan merekomendasikan strategi penerapan dua fase "backend dahulu, lalu kelas".

Contoh paling jelas dalam basis pengetahuan tentang PD GenAI matematika yang digerakkan kerangka adalah studi atas delapan guru dalam jabatan dari distrik pedesaan dan berkekurangan sumber daya yang menyelesaikan sepuluh modul interaktif yang dibangun di atas kerangka 4P Rhodes (How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge). Studi itu menyediakan dua mekanisme desain yang selama ini tidak dimiliki desain PD dalam jabatan di sini: scaffolding yang memudar secara sengaja (panduan eksplisit di awal, lalu permintaan untuk membenarkan, menggeneralisasi, dan merancang tugas) dan penalaran siswa simulasi di Modul 6-10, di samping temuan bahwa MC, CK, dan PCK bergerak bersama — sambil hanya mengukur keterlibatan, bukan pengetahuan guru atau pembelajaran siswa.

Program pascakualifikasi. Literasi dan penggunaan AI pendidik sains dalam jabatan menginformasikan desain program pascakualifikasi terkait AI.(Science educators' AI literacy and AI usage in teaching: Implications for post-qualification programs)
Dukungan dan panduan AI dalam kerja desain guru. Pishtari, Gnadlinger & Ley (2026) meminta 13 guru pendidikan tinggi merancang aktivitas dalam kondisi tanpa AI, chatbot AI, dan AI plus pelatihan dalam program setengah hari. Akses AI menaikkan pencapaian tugas tingkat tinggi (Bloom) dan memangkas usaha kognitif yang dipersepsikan, sementara sesi pelatihan interaksi berikutnya mendatarkan kualitas tetapi sedikit menaikkan usaha (beban germane vs. extraneous belum terurai). Ini membingkai PD untuk pengajaran era AI sebagai membutuhkan kerangka desain berlandas pedagogi (Bloom, ICAP) dan strategi interaksi chatbot yang terstruktur, sambil memperingatkan bahwa keuntungan kualitas dapat menutupi pengalihan keputusan pedagogis ke AI.

Pengetahuan, keyakinan, dan praktik

Temuan kunci di seluruh riset pendidikan guru adalah jeda antara apa yang diutarakan guru dan apa yang dijalankan: guru sering mengklaim keterampilan AI operasional tetapi kesulitan menerapkan pengetahuan yang bermakna secara pedagogis dalam praktik.(Beyond operational skills: Teachers' AI knowledge and interactions with generative AI in lesson planning) Perbedaan itu berjalan lebih dalam ketika pengalaman disilangkan dengan kemahiran AI: Choi et al. (2026) menemukan bahwa pemula yang lancar secara teknis tetap menerima keluaran AI secara pasif selama desain pembelajaran, sedangkan guru berpengalaman — bahkan yang kemahiran AI terukurnya lebih rendah — secara kritis memberi prompt ulang dan menyesuaikan saran AI dengan siswa dan konteks mereka. Implikasinya adalah PD dalam jabatan tidak dapat memperlakukan "membangun keterampilan AI" sebagai cukup; ia harus dibedakan menurut pengalaman dan profil kemahiran guru — scaffolding evaluasi-respons dan adaptasi-kritis bagi pemula, pembangunan keterampilan AI secara langsung bagi guru berpengalaman dengan kemahiran AI lebih lemah. Pertimbangan pakar atas rencana pembelajaran hasil AI menandai sikap adaptasi-kritis itu sebagai norma, bukan pengecualian: Karaismailoglu, Surmeli dan Yildirim (2026) menemukan sebelas spesialis pendidikan sains Türkiye menilai rencana ChatGPT-4 dan Teacher's Buddy untuk satu unit kelas enam sebagai draf yang dapat dipakai — 7 dari 11 menilainya "dapat diterapkan dengan koreksi," hanya 3 langsung "Dapat Diterapkan" — dan preferensi mereka menyimpang dari skor mentah, lebih menyukai kualitas afektif dan kontekstual daripada kesetiaan struktural. Pendidikan guru karena itu harus membangun kemampuan mengevaluasi, menyesuaikan, dan melokalkan materi instruksional hasil AI sebagai kompetensi profesional inti, baik dalam program prajabatan maupun dalam jabatan. Faktor psikologis juga penting — Efikasi Diri secara positif memprediksi AI-TPACK, sementara keyakinan mengajar tradisional yang kuat dapat bertindak sebagai penghalang kognitif.(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs) Kepercayaan pada AI dibentuk oleh pengetahuan teknis maupun persepsi etis (transparansi, keadilan, akuntabilitas, inklusivitas).(Unpacking ethics-domain of intelligent-TPACK scale in relation to in-service teachers' trust and distrust) Mengukur literasi AI guru sendiri merupakan front yang aktif: karena sebagian besar asesmen literasi AI menyasar siswa atau pengguna umum, Teachers' AI Literacy Scale (TAILS) — berlandaskan kerangka ED-AI enam dimensi — dikembangkan dan divalidasi khusus untuk calon guru bahasa melalui EFA dan CFA, mengisi celah pengukuran dalam pendidikan guru. Pertanyaan yang sama terabaikannya adalah apakah mode persiapan mengubah kesiapan AI. Mnguni et al. (2026) menyurvei 186 calon guru sains tahun akhir di Afrika Selatan dan menemukan TPACK laporan sendiri untuk pengajaran terintegrasi AI lebih tinggi di universitas berbasis kampus (64.0%) daripada di universitas pendidikan jarak jauh (47.4%), dengan Pengetahuan Pedagogis paling lemah di keduanya, dan pelatihan AI hanya berkaitan dengan TPACK laporan sendiri di institusi jarak jauh, tempat kursus singkat lima kredit memprediksi TPACK yang dilaporkan lebih lemah daripada tanpa pelatihan. Persiapan jarak jauh karena itu memerlukan basis buktinya sendiri alih-alih mengasumsikan bahwa pelatihan yang dirancang untuk program kampus ikut berpindah.

Praktik instruksional simulasi

Di luar konten dan keyakinan, persiapan guru makin banyak memakai kelas simulasi untuk praktik langsung yang dapat diskalakan. EducaSim memakai agen siswa generatif (dengan persona, memori berlandas mata kuliah, dan orakel tutur Model Bahasa Besar (LLM)-sebagai-juri) untuk menyimulasikan sesi kelompok kecil bagi calon guru dalam mata kuliah CS1 yang melayani ~20,000 siswa. Diterapkan sebagai alat persiapan opsional di 254 sesi (rata-rata ~16 menit), ia menyediakan praktik role-play berbiaya rendah ($0.05–$0.10/sesi) dengan umpan balik pasca-sesi terstruktur (statistik waktu bicara, perilaku instruksional yang diidentifikasi LLM) dan prompt refleksi diri. Ini melengkapi paradigma Mensimulasikan Siswa: pembelajar simulasi melayani bukan hanya evaluasi tetapi juga persiapan guru yang eksperiensial dan berfrekuensi tinggi, terutama untuk mata kuliah daring masif yang tidak dapat menjangkau coaching langsung pada skala itu. Contoh spesifik mata pelajaran adalah Student GPT (Zhuang & Zhang 2025), chatbot ChatGPT kustom yang memerankan siswa sekolah menengah dengan miskonsepsi penalaran rasio yang umum; calon guru matematika menengah berlatih mendiagnosis dan meremediasi miskonsepsi itu dalam interaksi personal berisiko rendah di dalam mata kuliah metodologi, menunjukkan bagaimana role-play GenAI yang ringan dapat mendukung pengajaran berbasis praktik.

Implikasi bagi pendidik guru

Bangun literasi AI dan AI-TPACK kritis sekaligus. Guru prajabatan dan dalam jabatan memerlukan kesiapan mengintegrasikan AI — instrumen memperluas TPACK dengan dimensi AI/etika (AI-TPACK, PD i-TPACK); ajarkan penalaran etis, transparansi, dan keadilan berdampingan dengan penggunaan alat.
Ukur kapabilitas, bukan kepercayaan diri. Mnguni (2026) berargumen bahwa TPACK laporan sendiri dan kontrol perilaku yang dipersepsikan mungkin sama-sama mengindeks kepercayaan diri umum, dan mengusulkan penilaian kesiapan dengan tugas desain pembelajaran dan tugas evaluasi prompt alih-alih laporan sendiri semata, menempatkan kapabilitas AI-TPACK di hulu sikap dan niat.
Tutup jeda antara mengutarakan dan menjalankan. Guru sering mengklaim keterampilan AI operasional tetapi kesulitan menerapkannya secara pedagogis; rancang PD yang bergerak dari pengetahuan ke praktik yang dijalankan (perencanaan pembelajaran).
Gunakan praktik simulasi untuk menskalakan persiapan. Kelas simulasi bergaya EducaSim memberi calon guru praktik berbiaya rendah dan berfrekuensi tinggi dengan umpan balik — pelengkap bagi coaching langsung yang terbatas.
Tangani keyakinan dan kepercayaan. Efikasi Diri memprediksi AI-TPACK sementara keyakinan mengajar tradisional yang kuat dapat menjadi penghalang, dan Kepercayaan dibentuk oleh transparansi/keadilan — perhatikan faktor psikologis ini, bukan hanya keterampilan.
Mundur dari dilema kelas. Kohnke et al. (2026) mewawancarai 17 calon guru di sebuah universitas Hong Kong dan bekerja mundur dari dilema kelas yang diantisipasi ke kebutuhan desain pendidikan guru. Calon guru mengangkat kekhawatiran tentang integritas akademik, privasi, dan pelestarian keterampilan manusia yang esensial dalam lingkungan yang digerakkan GenAI, menunjuk pada implikasi kurikulum yang menenun etika, Privasi, dan literasi AI (dengan keterampilan berpikir kritis) di seluruh persiapan guru alih-alih memperlakukan penggunaan yang bertanggung jawab sebagai tambahan.
AI sebagai mediator kognitif dalam refleksi guru (2026): Model Segitiga Reflektif berbasis praktik memakai AI untuk memediasi antara refleksi guru individual dan pengetahuan profesional bersama dalam komunitas belajar, menjawab kegagalan umum refleksi untuk berubah menjadi pembelajaran profesional kolektif (The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development).
Jadikan desain penilaian GenAI bagian dari kerja kurikulum profesional. Calon guru dalam Zou et al. (2026) menunjukkan sedikit niat merancang ulang penilaian sekolah masa depan mereka sendiri sebagai respons terhadap AI generatif, dan peserta taman kanak-kanak serta menengah sebagian besar menilai teknologi itu tidak relevan dengan konteks mengajar mereka sendiri — dimensi literasi penilaian yang belum berkembang, bukan celah pengetahuan. Program pendidikan guru karena itu harus menyematkan penggunaan GenAI yang etis dalam desain penilaian sebagai bagian dari kurikulum profesional, memasangkan konsistensi kebijakan tingkat program dengan contoh konkret penggunaan yang dapat dan tidak dapat diterima serta Umpan Balik tepat waktu atas penggunaan AI siswa yang sebenarnya.
Pisahkan kerja yang dapat didelegasikan dari yang tidak. O'Byrne (2026) menemukan 23 mahasiswa sarjana, sebagian besar calon guru, menghasilkan artefak yang sebanding apakah mereka mempertahankan kerja batas atau mendelegasikannya lebih awal, dan "ketegangan kecurangan" atas kepengarangan paling kuat di antara mereka yang paling banyak melakukan kerja batas — sehingga tujuan pengajarannya adalah menilai kerja interpretatif mana yang tidak diserahkan.
Jadikan penulisan kebijakan kelas aktivitas inti pendidikan guru, dan perlakukan ambiguitas sebagai cacat kebijakan. Nash & Burriss (2026) menemukan bahwa meminta calon guru menulis kebijakan AI kelas mereka sendiri berfungsi sebagai pembangunan dunia retoris tentang untuk apa menulis — jendela ke keyakinan yang sedang muncul yang tidak dibuka oleh diskusi abstrak. Karena AI memisahkan menulis-sebagai-produk dari menulis-sebagai-proses, program harus membantu guru menemukan di mana berpikir, belajar, dan nilai benar-benar berada di antara curah gagasan, penyusunan draf, revisi, dan penyuntingan alih-alih menempatkan berpikir hanya pada teks akhir, dan harus mendukung mereka menerjemahkan keyakinan menjadi aturan operasional yang tidak ambigu dan dipasangkan dengan pengajaran Literasi AI: kontradiksi seperti melarang teks hasil AI sementara menuntut siswa bertanggung jawab atas konten hasil AI yang mereka serahkan membuat siswa tidak dapat mematuhi.
Ajari guru membaca riset primer di balik kebijakan AI. Sebuah mata kuliah metode riset pascasarjana enam pekan yang diarahkan pada konsumsi riset alih-alih produksinya: satu guru menerapkan kerangka evaluasi kritis pada kurikulum yang diwajibkan distrik dan mempresentasikan analisisnya kepada kepala sekolahnya, dan beberapa mengadopsi pertanyaan Sokratik dengan siswa mereka sendiri Packard et al. (2026).

Miskonsepsi Umum

"Penerimaan AI di kalangan calon guru adalah satu sikap tunggal." 128 calon guru diprofilkan ke dalam empat kelompok penerimaan ChatGPT termasuk Skeptis yang Menolak (14.06%), yang melaporkan kemudahan penggunaan tinggi tetapi niat berperilaku sangat rendah. Kemudahan penggunaan dan niat terpisah dalam kelompok itu, sehingga intervensi yang digerakkan kegunaan akan membiarkan mereka tidak berubah.
"AI membantu calon guru terutama dalam pengetahuan konten." Sebuah tinjauan lingkup atas 55 studi menemukan AI meningkatkan desain instruksional, pengajaran mata pelajaran, dan pengajaran praktis — kapasitas desain dan praktik, bukan keahlian konten.
"Tinjauan lingkup atas 55 studi menetapkan manfaat." Ia mendokumentasikan apa yang dilaporkan di seluruh bidang. Keluasan peningkatan yang dilaporkan adalah klaim tentang konsensus literatur, dan 55 studi dalam tinjauan lingkup bukan ukuran efek gabungan.

Konsep terkait

Pengajaran
Pengetahuan Teknologis, Pedagogis, dan Konten (TPACK)
Kompetensi AI Guru
Literasi AI
Pengembangan Pendidikan
K-12
Etika
AI dalam Pendidikan
Ilmu Pembelajaran
Pendidikan Kimia — Pendidikan kimia dan AI: laboratorium, penilaian formatif, batas LLM, filsafat eksperimen

FAQ terkait

Bagaimana saya merancang pengembangan fakultas untuk AI yang benar-benar mengubah praktik?

Metadata

Tingkat	Teacher Education, K 12, Adult Learning
Audiensi sasaran	Instructors
Dasar-dasar AI dalam pendidikan	Literasi AI, Pengajaran, Pengetahuan Teknologis, Pedagogis, dan Konten (TPACK)

Sumber Riwayat Sunting Obrolan