Pengembangan Teori dalam AI dalam Pendidikan

Di halaman ini

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

Pengembangan teori dalam AI dalam pendidikan — kerja ilmiah untuk menciptakan, memajukan, dan mengkaji secara kritis teori dan kerangka konseptual yang menjelaskan bagaimana siswa, guru, dan sistem AI berinteraksi. Ketika AI generatif membentuk ulang pendidikan, bidang ini sekaligus mengusulkan teori belajar-dengan-AI yang baru dan mengerjakan ulang teori belajar yang mapan — sementara kelemahan terdokumentasi dalam penggunaan teori tetap menjadi keterbatasan lintas sektoral penelitian AIEd.

Pertanyaan untuk Dipertimbangkan

Kita sering berbicara tentang 'menerapkan sebuah teori' pada AI dalam pendidikan, tetapi halaman ini menanyakan apakah bidang ini sebenarnya menemukan teori baru. Sebelum Anda membaca lebih lanjut: ketika kerangka yang familier (seperti Behaviorisme atau konstruktivisme) direntangkan untuk mencakup AI generatif, apa yang mungkin ia tangkap dengan benar, dan apa yang mungkin ia distorsikan secara diam-diam?
Pikirkan saat Anda menggunakan AI dan merasa pemahaman Anda bertumbuh — atau sebaliknya. Apa perbedaan antara 'belajar dengan alat' dan 'mengonstruksi pengetahuan bersama mesin'? Di mana Anda akan menarik garis itu, dan apakah masuk akal mengatakan mesin adalah ko-agen?
Banyak studi pendidikan AI dikritik karena menggunakan teori secara lemah atau tidak sama sekali. Jika Anda membaca studi yang menunjukkan sebuah alat AI 'berhasil', apa yang perlu ia sampaikan kepada Anda tentang mengapa dan bagaimana ia berhasil sebelum Anda menyebut temuan itu bermakna secara teoretis dan bukan sekadar ukuran efek?
Satu teori yang diusulkan mengklaim bahwa siswa asli-AI melebih-lebihkan pembelajaran mereka sendiri karena AI menggelembungkan performa mereka. Pernahkah Anda memperhatikan diri Anda atau orang lain merasa lebih kompeten setelah penggunaan AI yang berat daripada yang benar-benar dapat Anda tunjukkan tanpanya? Apa bukti terkuat bahwa ini adalah fenomena nyata dan bukan sekadar artefak satu studi?
Halaman ini membedakan teori (menjelaskan mekanisme belajar) dari filsafat (mempertanyakan apa sebenarnya belajar dan pikiran itu). Di mana dalam pemikiran Anda sendiri tentang AI Anda mendapati diri Anda bergerak di antara keduanya — misalnya, menanyakan bukan hanya apakah sebuah kerangka menjelaskan pembelajaran dengan baik, tetapi apakah ia menangkap apa sebenarnya belajar itu?
Teori baru bermunculan — generativisme, ko-agensi epistemik, commons kognitif. Sebagai pembaca, apa yang akan meyakinkan Anda bahwa salah satunya adalah kemajuan sejati alih-alih pelabelan ulang yang sedang tren atas gagasan lama? Tetapkan ujian Anda sendiri tentang apa yang seharusnya mampu dijelaskan oleh teori belajar-dengan-AI yang baru dan baik.

Pendahuluan

Pengembangan teori dalam AIEd berada di batas antara teori belajar terapan yang menjadi sandaran bidang ini dan konstruk baru yang dihasilkan era AI. Jika Teori Belajar mengkatalogkan teori mapan yang diterapkan pada AI (behaviorisme, konstruktivisme, beban kognitif, penentuan diri, dan sebagainya), konsep ini melacak proses dan produk dari berteori itu sendiri: teori dan kerangka baru mana yang lahir, bagaimana teori mapan dimajukan, dan pertanyaan metodologis apakah penelitian AIEd berteori dengan baik.

Kerangka yang menetapkan kondisi pembandingnya sendiri. Nakamura (2026) memperlakukan pembagian kerja kognitif sebagai unit penjelas, menempatkan operasi pada kontinum periferal–konstitutif bertingkat, menamai kondisi pembanding yang menjadi dasar augmentasi dan erosi didefinisikan, dan menurunkan tujuh proposisi teruji yang terkondisikan (Nakamura, 2026). Karena proposisinya memprediksi perbedaan antarkonfigurasi, studi yang hanya melaporkan efek rata-rata tidak dapat mengonfirmasi atau menyangkalnya.

Teori baru tentang belajar dengan AI

Sekelompok artikel yang terus tumbuh secara eksplisit menciptakan teori baru untuk era AI alih-alih menerapkan kerangka yang sudah ada:

Generativisme. Generativisme diusulkan sebagai teori belajar baru, dengan argumen bahwa behaviorisme, kognitivisme, konstruktivisme, dan konektivisme masing-masing bersandar pada satu asumsi yang dipatahkan AI generatif: bahwa keluaran yang dapat diamati mensertifikasi pembelajaran (behaviorisme), bahwa operasi kognitif terjadi di dalam diri siswa (kognitivisme), bahwa makna dikonstruksi alih-alih dipasok (konstruktivisme), dan bahwa bagian yang sulit adalah menavigasi ke pengetahuan yang sudah ada alih-alih menghasilkannya (konektivisme). Ia menamai empat konstruk — kemitraan epistemik, agensi terdistribusi, literasi generatif, dan metakognisi adaptif — dan menurunkan indikator penilaian untuk masing-masing, sebuah tawaran langsung untuk menamai paradigma teoretis yang khas bagi pembelajaran yang dimediasi AI. Yang tidak dilakukannya adalah menyatakan proposisi yang bisa gagal: ia adalah makalah posisi yang menyintesis bukti yang ada, jadi tidak seperti Agentivisme di bawah, ia menawarkan kosakata dan agenda pengukuran alih-alih teori yang dapat difalsifikasi.
Ketersambungan AI. Fu dan Zhao (2026) merekonstruksi ketersambungan untuk era AI melalui etika kepedulian dan teori neo-ekologis, mendefinisikan "ketersambungan kecerdasan buatan" sebagai ikatan yang nyata secara psikologis namun asimetris secara etis dengan tiga dimensi dan enam proposisi yang dapat difalsifikasi yang menunggu pengembangan skala.

Posisi sintetis menambahkan tawaran saingan yang memang menyatakan proposisi: ia menamai promosi sintetis dan penangguhan kepengarangan — diri yang berbicara padat namun tanpa pengarang — dan memprediksi interaksi crossover di mana kepengarangan dan koherensi yang dinilai dari sebuah narasi keputusan hidup bergerak ke arah berlawanan (Du et al. (2026)).

Agentivisme. Yan dan Gašević (2026) mengusulkan Agentivisme sebagai teori belajar rentang menengah untuk interaksi manusia-AI, mendefinisikan belajar sebagai pertumbuhan kapasitas manusia yang bertahan alih-alih penyelesaian tugas yang berhasil dengan AI, dan menetapkan empat mekanisme: agensi yang didelegasikan, pemantauan dan verifikasi epistemik, internalisasi rekonstruktif, dan transfer di bawah dukungan yang berkurang. Yang membedakannya dari tawaran lain di halaman ini adalah dapat-difalsifikasi: ia menyatakan enam proposisi, termasuk bahwa belajar lebih kuat ketika AI mempertahankan tanggung jawab siswa untuk membingkai masalah, menetapkan kriteria, dan memberi justifikasi daripada ketika AI memasok jawaban, dan bahwa mewajibkan verifikasi seharusnya memperbaiki performa tertunda sementara delegasi berulang dengan gesekan rendah tanpa rekonstruksi seharusnya melemahkan kalibrasi siswa atas kompetensinya sendiri.

Berteori di sisi guru kini membuat komitmen keterujian yang sama: Model Kapabilitas–Keputusan menempatkan kapabilitas AI-TPACK di hulu sikap dan kendali perilaku yang dipersepsikan serta menamai empat kondisi penyangkalan — kegagalan mediasi, keruntuhan diskriminan, kenihilan moderasi, dan redundansi konteks — meskipun model itu belum teruji (Mnguni (2026)).

Ko-agensi epistemik. Belajar dengan Mesin membangun "menuju teori ko-agensi epistemik," model berlandaskan teori tentang bagaimana siswa dan sistem GenAI bersama-sama menghasilkan pengetahuan dan pemahaman.
Siklus kemitraan kognitif. Page (2026) mengusulkan Siklus Kemitraan Kognitif, model rekursif enam fase — Pertanyaan Manusia, Ekspansi AI, Refleksi Manusia, Integrasi, Revisi, dan Pertanyaan Baru — yang menempatkan pembelajaran pada perubahan posisi kognitif siswa alih-alih pada kecanggihan prompt, dan menamai empat mode kegagalan ketika rekursi yang sama menggantikan atau mendistorsikan pemikiran.
Garis dasar kognitif yang absen (ACB). Garis Dasar Kognitif yang Absen mengemukakan teori tentang celah struktural dalam penilaian diri akademik siswa asli-AI — kerangka tiga dimensi yang menjelaskan mengapa siswa melebih-lebihkan pembelajaran mereka ketika AI menggelembungkan performa.
Commons kognitif. Commons kognitif dan regenerasi keahlian memanfaatkan teori sumber daya milik bersama dan kognisi terdistribusi untuk menjelaskan bagaimana keputusan adopsi AI yang rasional dapat menghabiskan kumpulan keahlian bersama yang dibutuhkan profesi untuk beregenerasi.
Performa vs. belajar. Performa-vs-belajar mengemukakan teori tentang divergensi tajam antara performa tugas yang digelembungkan AI dan pembelajaran yang bertahan, pembedaan yang berulang di seluruh bukti Perolehan Belajar basis pengetahuan ini.
Literasi AI epistemik (EAIL). Literasi AI Epistemik membingkai ulang literasi AI sebagai kompetensi epistemik berorientasi proses yang berpusat pada bagaimana pengetahuan dikonstruksi dan dijustifikasi ketika siswa memrogram bersama AI generatif.
Teori Tri-Sistem. Shaw dan Nave (2026) memperluas akun proses ganda dengan Sistem 3 — penalaran eksternal, terautomasi, dan berbasis data dari AI yang dapat melengkapi, menggantikan, atau menekan Sistem 1 dan Sistem 2 — dan menamai penyerahan kognitif, adopsi keluaran AI secara tidak kritis, sebagai kegagalan khasnya.
Pengelolaan kognitif. Kredensial dan pengelolaan kognitif mengemukakan teori tentang tanggung jawab institusional untuk melindungi pengetahuan dan pembelajaran dalam konteks penilaian yang meresap AI.
Ko-Regulasi AI dalam Pendidikan dan proaktivitas epistemik. AI sebagai mitra kognitif dalam ko-regulasi mengintegrasikan fungsi eksekutif, Metakognisi, kognisi terdistribusi, dan perkembangan sosiokultural ke dalam model perkembangan; proaktivitas epistemik mengemukakan teori tentang sikap agensial siswa terhadap AI dalam matematika.
Paradigma keterlibatan manusia-GAI. Strydom (2026) menjawab "defisit teori" bidang ini dengan mendasarkan tujuh paradigma keterlibatan manusia-GAI yang diwujudkan (terjaga, berfokus kemungkinan, tertambah, perintis, simbiotik, berbasis nilai, keadilan) pada model multidimensi Schommer tentang keyakinan epistemologis personal — sebuah teori epistemologis, bukan berfokus alat, tentang bagaimana individu memosisikan diri secara berbeda terhadap AI.
Kerangka Ko-Agensi Ekologis. Poudyal (2026) berargumen bahwa AI generatif memindahkan otoritas epistemologis dari guru ke siswa ke mesin, dan memperkenalkan kerangka yang mendefinisikan ko-agensi melalui tiga dimensi yang saling bergantung — relasional, regulatif (dipetakan ke siklus SRL), dan pedagogis (kontinum adopsi guru) — semuanya dibatasi oleh kondisi akuntabilitas epistemik manusia yang tidak dapat dinegosiasikan (kontestabilitas, provenans, dan non-delegasi kredit moral/intelektual). Ia memosisikan Agensi Pembelajar sebagai masalah desain epistemik alih-alih urusan kegunaan, memberi institusi bahasa yang lebih tepat daripada "keseimbangan" untuk mengelola integrasi GenAI.
Agensi epistemik relasional dan ketergantungan epistemik. Du & Yuan (2026) menyumbangkan akun kritis-integratif tentang kapan ketergantungan yang dimediasi AI mempertahankan versus menggusur pertimbangan. Mereka mengoperasionalkan batas antara ketergantungan yang produktif dan ketergantungan yang berbahaya melalui enam kriteria diagnostik (kontestabilitas, keterpulihan, transfer, keterlacakan, tanggung jawab terdistribusi, pluralitas epistemik) dan melacak empat jalur sosioteksnis (otoritas fasih, delegasi tanpa gesekan, sintesis buram, ketergantungan terinstitusionalisasi). Usulan normatif mereka, agensi epistemik relasional, memperluas garis otonomi relasional dan ko-agensi epistemik dengan mempertahankan asimetri eksplisit — AI dapat membentuk penalaran tanpa tanggung jawab timbal balik atau otoritas yang sah — sekaligus mengintegrasikan tanggung jawab dan keadilan epistemik di tingkat institusional. Sebagai teori belajar dengan AI, ia memindahkan pertanyaan bidang ini dari apakah AI membantu atau merugikan ke tindakan epistemik mana yang dipertahankan, diubah, atau digusur, dan menjadikan desain ketergantungan alih-alih sekadar penggunaan sebagai objek intervensi pedagogis dan institusional.

Memajukan teori mapan

Karya lain memperluas teori yang ada ke konteks AI alih-alih mendirikan paradigma baru: karya paradoks berpikir kritis mengintegrasikan teori beban kognitif dengan instruksi pengurangan beban ke dalam kerangka tiga tingkat; penilaian yang adil mengemukakan ulang teori Penilaian di bawah gangguan GenAI. Ba, Gašević, Lim & Anderson (2026) merekonseptualisasi kerangka Community of Inquiry itu sendiri: alih-alih membingkai GenAI sebagai alat, mitra dialog, atau "kehadiran keempat" yang spekulatif, mereka memosisikannya sebagai kondisi epistemik yang mengonfigurasi ulang bagaimana kehadiran kognitif, sosial, dan pengajaran dijalankan, dibuktikan, dan diatur — merumuskan ulang kehadiran CoI sebagai pencapaian sosioteksnis dari rakitan manusia–GenAI dan mengusulkan heuristik berbasis konfigurasi di mana keterlibatan GenAI dan kualitas inkuiri berhubungan secara bersyarat melalui akuntabilitas manusia. Sebagian besar dari ini adalah kerja kerangka konseptual (kerangka sekolah bisnis, simulasi valid) yang mengoperasionalkan teori untuk praktik.

Lin dan Chang (2026) memperluas Regulasi Diri dalam Belajar dan regulasi manusia–AI dengan menamai apa yang diatur siswa — standar, pertimbangan evaluatif, dan otorisasi kendali — alih-alih hanya apa yang dilakukan AI.

Paradoks gesekan menawarkan perluasan lain atas teori mapan: Gupta (2026) menerapkan kesulitan yang diinginkan dari Bjork dan Bjork serta kegagalan produktif dari Kapur pada perjumpaan relasional dalam pendidikan di luar negeri, dengan argumen bahwa yang penting adalah seberapa besar agensi interpretatif yang ditransfer siswa kepada asisten generatif alih-alih seberapa sering ia digunakan. Kerangka ini konseptual dan menyatakan lima proposisi sebagai hipotesis bersaing.

Ranieri & Biagini (2026) memajukan taksonomi fungsional bidang ini dari Zawacki-Richter et al. (2019): di antara 154 publikasi dengan fungsi aplikasi yang dapat diklasifikasikan, 90 (58.4%) lolos dari empat kategorinya, dan kerangka mereka menyilangkan fungsi dengan kendali yang didelegasikan, posisi epistemik, dan pedagogi yang tertanam.

An, McLaren, dan Stamper (2026) memajukan ACT-R dan kerangka Knowledge-Learning-Instruction dengan mengemukakan teori overgeneralisasi yang menipu — mode kegagalan di mana kompilasi pengetahuan menghasilkan produksi yang terlalu umum yang menghasilkan tindakan benar sekaligus menghilangkan batasan penerapan yang kritis — dan dengan memvalidasi secara empiris prosedur deteksi/remediasi di seluruh ITS adaptif dan K-12 kumpulan data pembelajaran desimal.

Postfenomenologi dan mediasi teknologi. Farazouli et al. (2026) memajukan kerangka postfenomenologis mapan tentang mediasi teknologi (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) ke konteks AI dalam pendidikan. Alih-alih mengusulkan teori baru, mereka menerapkannya untuk merekonseptualisasi chatbot GAI sebagai artefak teknologi multistabil yang "skripnya" (responsivitas cepat, teks yang terdengar alami yang dapat mencapai nilai lulus) memediasi persepsi guru dan mengonfigurasi ulang praktik mereka — mengganggu kepercayaan diri guru, membentuk ulang makna kompetensi, dan mendorong guru melampaui pertanyaan instrumental tentang penggunaan yang dapat diterima menuju evaluasi ulang peran mereka dan makna mengajar. Ini adalah kontribusi kemajuan teori: ia menunjukkan bagaimana akun filosofis tentang relasi manusia–teknologi menjelaskan gangguan emosional dan profesional yang dialami guru ketika GAI masuk ke praktik pendidikan yang mapan.

Kontribusi kerangka lebih lanjut adalah tipologi AI×Ed dari Rismanchian & Doroudi, yang memperluas "tiga interaksi" asli Kahn (1977) sepanjang dua sumbu — peran AI (alat terapan vs. analogi bagi kecerdasan manusia) dan pengguna akhir (peneliti hingga siswa) — untuk memosisikan proyek AIED mana pun. Melampaui pengategorian bidang, ia berargumen untuk menghidupkan kembali alur teori dan penelitian "AI sebagai analogi bagi kecerdasan manusia", dengan menggunakan model pembelajaran komputasional dan berbasis agen (misalnya, model komputasional mereka sendiri atas kerangka ICAP) untuk menjembatani teori belajar kontemporer dan pemodelan komputasional — arah metodologis yang sebagian besar ditinggalkan bidang ini ketika ia berpaling ke kerja terapan yang digerakkan data.

Filsafat komparatif sebagai jalan menuju pluralisme teoretis. Xie (2026) memodelkan jalan lain menuju pengembangan teori: alih-alih berteori tentang AI dalam pendidikan dari dalam satu tradisi, makalah ini menggelar dialog komparatif di mana setiap tradisi "membuat terlihat apa yang disembunyikan tradisi lain," secara eksplisit menolak menyintesisnya menjadi satu kerangka — pendekatan yang memperlakukan pluralisme teoretis sebagai posisi metodologis alih-alih ketidaksepakatan yang belum terselesaikan. Ia berargumen bahwa tradisi non-Barat dapat berbuat lebih banyak daripada mendiversifikasi perdebatan; mereka dapat membentuk ulang fondasi konseptual teori AIED, merekonstruksi "kodrat Dao" (道性), pengembangan diri (修道), dan "Zhenren" (真人) sebagai sumber untuk memikirkan ulang Agensi Pembelajar, tujuan epistemik pendidikan, dan tindakan etis di bawah kondisi yang dimediasi AI. Ia juga menyatakan batasnya secara terus terang: kontribusinya adalah penulis tunggal, non-empiris, dan memperingatkan bahwa penerjemahan semacam itu memerlukan kontekstualisasi untuk menghindari romantisasi dan Orientalisme.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Masalah penggunaan teori dalam AIEd

Berteori di bidang ini tidak merata. Keterbatasan dalam penelitian AIEd mendokumentasikan bahwa studi AIEd sering menggunakan teori secara lemah atau tidak kritis — kelemahan metodologis yang berulang bersama celah reproduktibilitas dan pengukuran. Tinjauan menemukan banyak makalah AIEd menerapkan teori secara dangkal atau tidak sama sekali (misalnya, tinjauan literatur yang mencatat sedikit studi yang mendasarkan intervensinya pada teori belajar). Ini menjadikan pengembangan teori — dan penggunaan teori — sebagai persoalan kualitas sekaligus keluaran ilmiah, yang terkait dengan metode penelitian dan Evaluasi AI dalam Pendidikan.

Hubungan dengan filsafat AI dalam pendidikan

Pengembangan teori dan filsafat AI dalam pendidikan adalah alur kerja fondasional basis pengetahuan yang saling melengkapi namun berbeda. Pengembangan teori menghasilkan dan menguji secara empiris mekanisme belajar-dengan-AI — teori dan kerangka bernama seperti generativisme, ko-agensi epistemik, dan garis dasar kognitif yang absen yang menjelaskan dan memprediksi bagaimana siswa dan AI berinteraksi. Filsafat menginterogasi praanggapan yang menjadi sandaran mekanisme itu: apa yang dianggap pengetahuan, siapa yang dianggap sebagai penahu, dan apa sesungguhnya siswa itu. Teori seperti ko-agensi epistemik mengusulkan mekanisme sambil secara implisit mengadopsi komitmen filosofis tentang kognisi terdistribusi dan Agensi Pembelajar; filsafat membuat komitmen itu eksplisit dan dapat dipertentangkan. Jika pengembangan teori menanyakan apakah sebuah kerangka menjelaskan pembelajaran dengan baik, filsafat menanyakan apakah ia menangkap apa sebenarnya belajar dan pikiran — kedua alur bertemu dalam artikel-artikel paling fondasional bidang ini, yang sering melakukan keduanya sekaligus.

Miskonsepsi Umum

"Temuan bahwa alat itu berhasil adalah kontribusi teoretis." Bukan, dan alasannya struktural. Ketika proposisi sebuah kerangka memprediksi perbedaan antarkonfigurasi, studi yang hanya melaporkan efek rata-rata tidak dapat mengonfirmasi atau menyangkalnya — desainnya tidak dapat melihat pembedaan yang menjadi pokok teori. Uji coba yang menunjukkan keuntungan rata-rata memberi tahu Anda bahwa sesuatu terjadi, bukan mekanisme mana yang menyebabkannya, sehingga teori itu tetap didukung persis seperti sebelumnya.

"Menerapkan teori mapan pada AI adalah pengembangan teori." Masalah penggunaan teori di halaman ini mengatakan sebaliknya: penerapan bukan kemajuan, dan pola berulang bidang ini adalah konstruk pinjaman yang digunakan sebagai kosakata alih-alih sebagai prediksi yang dapat diuji. Pembedaan itu penting karena kerangka pinjaman yang tidak dapat menghasilkan perbedaan yang dapat difalsifikasi adalah dekorasi, bukan teori.

"Taksonomi yang ada tentang fungsi pedagogis AI sudah mencakup apa yang dilakukan sistem-sistem ini." Mereka tidak mencakup banyak darinya. Di antara 154 publikasi dengan fungsi aplikasi yang dapat diklasifikasikan, 90 (58.4%) lolos dari empat kategori kerangka sebelumnya, itulah sebabnya karya yang lebih baru menyilangkan fungsi dengan kendali yang didelegasikan, posisi epistemik, dan pedagogi yang tertanam. Taksonomi yang salah mengklasifikasikan hampir tiga dari lima kasus tidak dapat menjadi kosakata bersama bidang ini, dan celahnya adalah temuan tentang fenomena, bukan celah dalam sebuah makalah.

Implikasi bagi Praktik

Bagi instruktur dan perancang instruksional

Ketika sebuah studi melaporkan efek rata-rata, jangan memperlakukannya sebagai panduan tentang konfigurasi Anda. Klaim tingkat teori adalah tentang perbedaan antarkonfigurasi, dan rata-rata tidak dapat memberi tahu Anda mana yang sedang Anda jalankan.
Tanyakan pada setiap kerangka yang Anda adopsi apakah ia memprediksi sesuatu yang bisa ternyata salah dalam lingkungan Anda sendiri. Jika tidak, ia tidak akan membantu Anda memutuskan apa pun.
Perkirakan kategori yang ada akan melewatkan kasus Anda; lebih dari separuh publikasi yang terklasifikasi tidak cocok dengan pembagian empat arah standar.

Bagi pengembang

Laporkan konfigurasi alih-alih satu efek utama. Jika desain Anda mewujudkan kombinasi kendali yang didelegasikan dan postur epistemik yang spesifik, katakanlah demikian — itulah unit yang menjadi sasaran teori dan unit yang dibutuhkan tim lain untuk mereproduksi.
Jangan memasarkan klaim mekanisme berdasarkan hasil rata-rata; jenis bukti yang diperlukan untuk mekanisme adalah kontras, bukan rerata.

Bagi peneliti

Rancang kontras konfigurasi jika Anda menghendaki kontribusi teoretis. Uji coba efek rata-rata yang diterbitkan sebagai pengembangan teori adalah keluaran bidang ini yang paling umum dan paling tidak berguna.
Lampirkan proposisi eksplisit yang dapat difalsifikasi pada setiap kerangka yang Anda perkenalkan, dan laporkan perbedaan konfigurasi mana yang akan menyangkalnya.

Konsep terkait

Metadata

Desain studi	Literature Review
Pembelajaran dan pengajaran	Teori Belajar
Metode riset dan evaluasi	Metode Penelitian dalam AIED
Dasar-dasar AI dalam pendidikan	AI dalam Pendidikan, Keterbatasan dalam Penelitian AIEd
Jenis halaman	Framework

Sumber Riwayat Sunting Obrolan