Kepercayaan

Di halaman ini

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

Kepercayaan — kemauan pembelajar, pendidik, dan institusi untuk mengandalkan seseorang atau sistem AI dalam pembelajaran, pertimbangan, dan pengambilan keputusan. Dalam AI dalam pendidikan, kepercayaan mencakup dua ranah yang terkait tetapi berbeda: kepercayaan pada AI (keyakinan pada kompetensi, transparansi, keandalan, dan kebajikan sebuah sistem atau agen AI) dan kepercayaan interpersonal (kepercayaan relasional antara siswa dan instruktur, antara pembelajar dan teman sebaya, serta di seluruh institusi). Keduanya bermata dua: kepercayaan yang tepat memungkinkan keterlibatan yang produktif, sementara kepercayaan berlebihan mengundang ketergantungan berlebih dan kepercayaan yang kurang menghambat penggunaan yang bermanfaat. Tantangan utamanya adalah kalibrasi — menyelaraskan kepercayaan dengan keandalan yang sebenarnya, apakah keandalan itu milik sebuah model atau milik seseorang.

Pertanyaan yang Perlu Dipertimbangkan

Ketika Anda mengatakan 'mempercayai' sebuah alat AI versus mempercayai seorang guru atau kolega, apakah Anda menggambarkan hal yang sama? Apa yang serupa, dan apa yang secara mendasar berbeda, tentang menaruh kepercayaan pada sebuah sistem versus pada seseorang?
Ada 'kesenjangan kepercayaan-kegunaan' yang terdokumentasi: kompetensi yang tampak dari sebuah alat sering melampaui keandalan sebenarnya. Ingatlah sebuah alat yang tampak mengesankan tetapi mengecewakan Anda, atau yang tampak terbatas tetapi terbukti dapat diandalkan. Apa yang membentuk kesenjangan antara penampilannya dan apa yang benar-benar bisa dilakukannya?
Bayangkan AI yang selalu setuju dengan Anda dan tidak pernah menantang gagasan Anda. Mungkin terasa nyaman dan dapat dipercaya — tetapi apakah persetujuan sama dengan keandalan? Apa yang mungkin Anda korbankan jika alat yang Anda andalkan tidak pernah membantah?
Halaman ini berargumen bahwa kepercayaan seorang instruktur pada AI membentuk bagaimana siswa mempercayai AI itu — kedua ranah saling berinteraksi. Dalam mata kuliah yang Anda kenal baik, bagaimana antusiasme atau skeptisisme seorang guru terhadap AI memengaruhi apakah siswa menerima atau mempertanyakan alat tersebut?
Siswa sering memutuskan apakah akan mengungkapkan penggunaan AI mereka berdasarkan kenyamanan dengan instruktur mereka lebih dari pada kebijakan. Jika Anda dulu (atau sekarang) seorang siswa, apa yang membuat Anda bersedia jujur tentang penggunaan AI — dan apa yang membuat Anda menyembunyikannya? Apa yang dikatakan hal itu tentang bagaimana kepercayaan sebenarnya dibangun di ruang kelas?
Satu temuan: tutor AI yang memperingatkan 'saya mungkin membuat kesalahan' mendorong siswa mencari lebih banyak bantuan, bukan lebih sedikit. Apa yang disiratkan hal ini tentang apakah mengakui keterbatasan melemahkan atau justru memperkuat kepercayaan yang menopang pembelajaran yang sesungguhnya?

Pendahuluan

Kepercayaan pada AI dibentuk oleh kompetensi yang dipersepsikan, transparansi, konsistensi, dan apakah sistem tampak selaras dengan tujuan pembelajar; hal ini erat terkait dengan Literasi AI (mengetahui apa yang harus dipercaya), Berpikir Kritis (mengevaluasi keluaran), dan desain AI yang bertanggung jawab. Kepercayaan interpersonal, sebaliknya, dibangun melalui hubungan, keterbukaan, umpan balik, dan kepedulian pedagogis — kualitas yang diandalkan siswa ketika memutuskan apakah seorang instruktur atau sebuah AI adalah sumber bimbingan yang dapat dipercaya. Kedua ranah semakin saling berinteraksi: AI terjalin dalam hubungan guru-siswa, sehingga bagaimana siswa mempercayai instruktur mereka membentuk bagaimana mereka mempercayai (atau mempertanyakan) alat AI yang didukung instruktur tersebut.

Kepercayaan adalah korban yang terukur, bukan sekadar prinsip. Dalam Gillette et al. (2026), siswa mengatakan mereka kurang mempercayai teman sekelas setelah menemukan penggunaan genAI yang tidak diungkapkan dalam kerja kelompok, menyebutnya "merugikan kepercayaan dan etika akademik", sementara beberapa menduga guru menggunakan genAI dan menyembunyikan hal itu dari siswa.

Kepercayaan pada sistem AI

Penelitian dalam basis pengetahuan ini mengkaji kapan pembelajar secara tepat mempercayai bimbingan yang dihasilkan AI. Peringatan tentang keterbatasan AI dapat memperbaiki kalibrasi: intervensi transparansi sederhana yang memberi tahu siswa bahwa tutor AI mungkin membuat kesalahan meningkatkan Pencarian Bantuan di sebuah ITS matematika, yang menunjukkan bahwa batas yang jujur menumbuhkan, bukan melemahkan, ketergantungan yang tepat. Merancang bersama metrik keandalan dengan para insinyur pembelajaran menunjukkan bahwa kepercayaan paling baik dibangun di atas kriteria yang dapat diamati dan disepakati alih-alih kapabilitas yang diasumsikan. Studi fisika dan pembangkitan gambar mengungkap kesenjangan kepercayaan-kegunaan yang bertahan — pengguna harus menimbang kompetensi yang tampak dari sebuah alat terhadap keandalan aktualnya dalam suatu tugas. Di antara pengguna termuda, Vahedian Movahed & Martin (2025) menemukan bahwa 52% anak (usia 6–14) secara umum mempercayai chatbot yang disesuaikan dengan usia dan 35% mempercayainya seperti guru atau teman, dengan sekitar sepertiga bersedia mencurahkan isi hati kepadanya; anak-anak juga secara aktif menguji kredibilitasnya dengan pertanyaan yang jawabannya sudah diketahui, dan kepercayaan tidak menunjukkan perbedaan tingkat kelas yang signifikan secara statistik — menggambarkan betapa dini kepercayaan dapat terbentuk mendahului evaluasi kritis.

Transparansi tentang apa itu sebuah sistem — bukan hanya apa yang bisa dilakukannya — juga membentuk kalibrasi: prototipe pendampingan Amico menyatakan identitas dan batasnya secara eksplisit, dan uji coba Italia–China-nya menemukan bahwa pembelajar mengenalinya sebagai alat pendukung yang terbatas alih-alih tutor otonom atau pengganti relasional, sehingga menghindari kepercayaan berlebih antropomorfik (Benedetti (2026)).

Di institusi pendidikan tinggi, tuasnya mungkin kegunaan alih-alih aturan: survei terhadap 2,121 mahasiswa, dosen, dan staf di satu universitas menemukan kegunaan yang dipersepsikan sebagai korelasi terkuat kepercayaan pada AI (β = 0.402), dengan kejelasan kebijakan yang dipersepsikan positif tetapi lebih lemah (β = 0.223) (Braun & Khafizov, 2026). Ketidakpercayaan pada akurasi dapat hidup berdampingan dengan keyakinan dalam mengelola alat. Dalam survei terhadap 8,021 mahasiswa di empat universitas Australia, 51% tidak mempercayai akurasi faktual GenAI sementara 76% yakin akan kemampuan mereka memperoleh keluaran yang mereka inginkan, dan kegunaan — bukan kepercayaan atau kepatuhan aturan — yang mendorong penggunaan mereka (Chung et al., 2026).

Pemodelan ketergantungan berlebih pada AI sebagai sistem adaptif kompleks membingkai ulang kepercayaan sebagai proses tingkat populasi: apakah orang mempercayai sebuah asisten ketika ia benar dan memeriksanya ketika ia salah bergantung pada dinamika sosial dan lingkar umpan balik, bukan hanya pertimbangan individu. Sikofansi mengancam kalibrasi dari arah lain — AI yang selalu setuju dapat terasa dapat dipercaya justru karena ia tidak pernah menantang pengguna, sehingga mengundang penerimaan tanpa kritis (sikofansi kontekstual dan AI sikofantik dalam interaksi sosial). Dalam konteks terwujud seperti Robot dalam Pendidikan, kepercayaan lebih dibentuk oleh apa yang dilakukan robot daripada penampilannya (konteks tugas dan kepercayaan dalam HRI pendidikan), dan identitas avatar membentuk kepercayaan epistemik yang pembelajar berikan pada konten AI. Kepercayaan pada alat analitik juga bergantung pada konteks. Mejia-Domenzain et al. (2026) menemukan bahwa kekhawatiran dan hambatan adopsi guru berbeda tajam menurut konteks pembelajaran: guru kelas terbalik (universitas) paling khawatir tentang anonimisasi data dan pengunduran diri siswa, sedangkan guru penulisan reflektif (vokasi) takut akan penyalahgunaan alat oleh sesama pendidik dan menekankan kebutuhan untuk mengontekstualisasikan data — meskipun kedua kelompok melaporkan Efikasi Diri dan manfaat yang dipersepsikan serupa dalam survei kepercayaan pada AI. Temuan bahwa kepercayaan pada alat terlepas dari kepercayaan pada tata kelola data dan penggunaan sosialnya menegaskan bahwa membangun kepercayaan yang tepat pada analitik menuntut perhatian pada kekhawatiran yang spesifik konteks, bukan hanya kompetensi sistem yang tampak.

Seberapa dapat dijelaskan suatu sistem — dan dalam istilah apa — juga membentuk apakah guru mempercayai rekomendasinya. Dalam eksperimen dalam-subjek dengan 41 guru kimia dalam jabatan yang menggunakan alat rekomendasi pengelompokan AI GrouPer, Feldman-Maggor et al. (2025) menemukan bahwa AI yang dapat dijelaskan membangun kepercayaan secara tidak langsung dengan meningkatkan keterpahaman kinerja sistem, dan bahwa penjelasan yang didorong domain yang dirumuskan dalam bahasa kurikuler/pedagogis menumbuhkan keterpahaman dan kepercayaan yang dipelajari secara signifikan lebih besar daripada penjelasan yang murni didorong data (kepentingan fitur). Perlu dicatat, keterpahaman saja tidak cukup bagi sebagian guru — mereka melaporkan membutuhkan pengalaman kelas nyata dengan alat itu sebelum sepenuhnya mengandalkannya — yang memperkuat bahwa kepercayaan pada AI bersifat dinamis dan divalidasi melalui penggunaan tersituasi, bukan diberikan oleh penjelasan semata.

Persepsi risiko dan kepercayaan bukanlah hal yang berlawanan. Studi persepsi terhadap 130 siswa tentang GenAI agensik di pendidikan tinggi menemukan risiko yang dipersepsikan naik secara moderat (M = 3.33, SD 0.89) bersamaan dengan kepercayaan dan niat adopsi yang lebih menyenangkan (M = 3.62, SD 0.81), dan — bertentangan dengan ekspektasi pencegahan yang sederhana — asosiasi positif antara risiko yang dipersepsikan dan niat penggunaan berkelanjutan (ρ Spearman = 0.317, p < 0.001) (Ilieva et al. 2026). Penulis membacanya sebagai adopsi yang terinformasi alih-alih ketidakpedulian: pengguna yang terlibat atau berpengalaman mengenali baik nilai maupun batas teknologi itu, dan hanya 45.4% yang mengatakan mereka mempercayai agen di bawah bimbingan instruktur. Bagi Kalibrasi Kepercayaan, implikasinya adalah bahwa kesadaran akan risiko bukanlah ketiadaan kepercayaan — ia dapat menjadi komponennya — sementara desain lintas-seksional membuat kesadaran, paparan, dan seleksi diri tidak dapat dibedakan.

Kepercayaan pada AI berperilaku sebagai jalur dari penilaian ke ketergantungan alih-alih satu sikap tunggal: pemberdayaan AI yang dipersepsikan dan ancaman AI yang dipersepsikan hampir independen (r=0.030) namun menggerakkan kepercayaan ke arah yang berlawanan (β=0.576 dan β=−0.328), dan kepercayaan membawa asosiasi tidak langsung yang signifikan dengan ketergantungan GenAI di kedua arah (Zhu et al. (2026)).

Sebuah model struktural memberi peran penjembatanan itu uji empiris. Dalam survei Bu & Li (2026) terhadap 642 mahasiswa, dukungan kontekstual memprediksi kalibrasi kepercayaan (β = 0.56), kalibrasi kepercayaan memprediksi kolaboratif regulasi (β = 0.49) dan keuntungan transfer yang dipersepsikan (β = 0.22), dan jalur langsung dari dukungan kontekstual ke keuntungan tidak signifikan.

AlGhamdi (2026) mendukung penjelasan kepercayaan pada algoritme yang spesifik fungsi alih-alih global: baik averasi algoritme maupun apresiasi algoritme tidak menggambarkan 13 siswa ini, yang sekaligus mempercayai ChatGPT untuk umpan balik tingkat permukaan dan tidak mempercayainya sebagai penilai. Kepercayaan mereka bersyarat pada pengawasan instruktur, dan skeptisisme mereka berasal dari batas kontekstual AI — salah membaca tulisan tangan yang dipindai ("ia salah mengeja nama belakang saya dan mengira saya membuat kesalahan ejaan padahal tidak"), tidak mengetahui sistem penilaian instruktur, dan positivitas kronis — alih-alih dari teknofobia, yang menyarankan ukuran kepercayaan harus didekomposisi menurut fungsi yang dijalankan AI dan taruhan yang melekat padanya.

Tiga dimensi Kredibilitas Sumber dapat berdisosiasi: tujuh belas mahasiswa sarjana EFL memberikan keahlian luas kepada asisten menulis AI, meragukan keandalannya terutama karena apa yang disimpan platform, dan menilai niat baiknya paling rendah - batas atas ketergantungan mereka terletak pada kepedulian, bukan kompetensi (Serpil & Mor, 2026).

Isyarat kredibilitas dapat meningkatkan ketergantungan pada jawaban yang salah: menambahkan sitasi dan sinyal otoritas ke antarmuka debat meningkatkan pengabaian pertimbangan yang benar demi posisi AI dari 15.0% menjadi 31.8%, sementara menahan posisi yang direkomendasikan memangkas peralihan itu menjadi 5.7–8.2% (Tuo et al., 2026).

Kepercayaan pada AI juga tidak mengikuti adopsi nasional: orang Rumania, dengan penggunaan AI generatif 17.8% berbanding 48.4% di Denmark, menilai kepercayaan mereka pada AI sedikit lebih tinggi (4.1 berbanding 3.8 pada skala tujuh titik) sementara kepercayaan institusional terbelah 28 berbanding 45 poin ke arah sebaliknya (Lucau, Voicu & Christensen (2026)).

Kepercayaan pada AI mengikuti keadaan psikologis, bukan kategori demografis

Kumar et al. (2026) mengelompokkan 107 mahasiswa di sebuah HBCU publik berdasarkan resiliensi, stres yang dipersepsikan, dan kepercayaan AI, dan menemukan tiga profil di mana kepercayaan pada AI terdisosiasi dari keyakinan pada diri sendiri: kelompok resiliensi tinggi berstres rendah dengan kepercayaan AI yang menyenangkan, kelompok berstres moderat yang memegang kepercayaan AI tertinggi di antara ketiganya meskipun tertekan, dan kelompok resilien secara psikologis yang hampir seresilien para pengadopsi tetapi jauh lebih rendah dalam kepercayaan AI. Stres dan kepercayaan AI memisahkan klaster paling kuat (eta kuadrat parsial 0.528 dan 0.521 berbanding 0.315 untuk resiliensi), dan jenis kelamin adalah satu-satunya variabel demografis yang secara signifikan terkait dengan keanggotaan, dengan afiliasi STEM, tingkat akademik, status kerja, dan kelompok usia semuanya tidak signifikan. Dua implikasi penting bagi halaman ini: pertama, kepercayaan rendah pada AI bukanlah proksi bagi keyakinan rendah atau keakraban teknis yang rendah, karena kaum skeptis adalah kelompok paling resilien dan paling banyak dari STEM, yang dibaca penulis sebagai skeptisisme terkalibrasi alih-alih resistensi; kedua, karena klaster hanya terpisah lemah (silhouette 0.288, dengan indeks Calinski-Harabasz lebih menyukai dua klaster) mereka harus diperlakukan sebagai profil yang tumpang tindih alih-alih tipe siswa yang berbeda. Temuan ini berasal dari satu institusi dan survei laporan diri lintas-seksional, sehingga menetapkan bahwa kepercayaan bervariasi dengan keadaan psikologis, bukan mengapa.

Kepercayaan interpersonal dalam pendidikan

Kepercayaan juga secara fundamental relasional. Kesenjangan kepercayaan di ruang kelas terdokumentasi dalam pandangan guru-siswa tentang kendali dan agensi dalam AI K-12: siswa menginginkan otonomi dan fleksibilitas yang lebih besar sementara guru memprioritaskan pengawasan dan pemantauan, sebuah ketidakselarasan yang harus dinavigasi kedua pihak agar adopsi AI berhasil. Mengapa siswa mengungkapkan atau menyembunyikan penggunaan AI mereka menunjukkan bahwa pengungkapan lebih didorong oleh faktor relasional daripada oleh kebijakan — norma teman sebaya yang dipersepsikan dan kenyamanan dengan instruktur adalah prediktor terkuat, yang menunjuk pada rendahnya kepercayaan interpretatif dalam situasi institusional. Biaya tersembunyi dari pengungkapan menambahkan nuansa tentang kapan kejujuran menjadi mahal secara sosial.

Respons yang mengutamakan deteksi bekerja ke arah sebaliknya: detektor yang tidak andal dan secara tidak proporsional menandai penutur non-asli membuat kasus pelanggaran terhenti karena kurang bukti, menghasilkan "kecurigaan tanpa jalan keluar", sedangkan percakapan verifikasi lima sampai sepuluh menit yang diumumkan sebagai pedagogi alih-alih pengawasan memulihkan otoritas fakultas dan menarik lebih banyak pengungkapan AI yang terbuka (Mandernach, 2026).

Ketergantungan pada detektor dan pengawasan, menurut Bassett et al. (2026), menumbuhkan iklim kecurigaan yang menggerus kepercayaan siswa pada penilaian dan pada institusi — kebalikan dari kepercayaan yang seharusnya dilindungi oleh proses integritas.

Umpan balik adalah lokasi kunci bagi kepercayaan interpersonal. Persepsi siswa tentang GenAI versus umpan balik guru menemukan keduanya melayani kebutuhan yang berbeda — komplementer tetapi tidak dapat dipertukarkan — dengan siswa mempercayai umpan balik guru untuk pertimbangan yang relasional dan personal serta GenAI untuk kecepatan dan aksesibilitas. Penjelasan umpan balik yang "penuh kepedulian" berargumen bahwa umpan balik yang dapat dipercaya adalah praktik etis dan relasional: ia membangun hubungan edukatif dan dihormati sebagai keahlian profesional, nilai yang tidak dapat sekadar direplikasi AI. Inilah sebabnya kepercayaan guru-siswa — dibangun atas kepedulian dan pertimbangan profesional — tetap sentral bahkan ketika AI memasuki lingkar umpan balik.

Kepercayaan antar teman sebaya berjalan melalui kanal yang berbeda: di antara 406 mahasiswa yang menilai seorang teman sekelas yang mereka ingat, penggunaan GenAI oleh teman sekelas itu terkait dengan kepercayaan interpersonal yang lebih rendah, dibawa oleh kehangatan dan kompetensi yang dipersepsikan, dan asosiasi negatif itu hanya bertahan ketika literasi AI yang dipersepsikan rendah — asosiasi tersebut tidak signifikan pada tingkat yang tinggi (Zhang et al. (2026)).

Kalibrasi dan kedua ranah secara bersamaan

Tantangan yang menyatukan keduanya adalah kalibrasi: mencocokkan kepercayaan dengan keandalan aktual, apakah pihak yang dipercaya adalah sebuah model atau seseorang. Kalibrasi Kepercayaan adalah kapasitas metakognitif untuk mengetahui kapan harus mempercayai dan kapan harus mempertanyakan. Studi tentang Umpan Balik AI dan Tutoring Cerdas mengkaji kapan pembelajar secara tepat mengandalkan atau menantang bimbingan AI, sementara literatur interpersonal menunjukkan bahwa kepercayaan siswa pada seorang instruktur bergantung pada kepercayaan relasional yang dibangun seiring waktu. Ketika AI tertanam dalam pengajaran, ranah-ranah ini bertemu: instruktur yang secara transparan menjelaskan apa yang dapat dan tidak dapat dilakukan sebuah alat AI, dan yang menunjukkan keandalan dalam pertimbangannya sendiri, membangun jenis kepercayaan yang terbawa ke alat-alat yang ia dukung. Membangun kepercayaan yang tepat — baik pada AI maupun pada satu sama lain — adalah tujuan inti desain AI yang bertanggung jawab dalam pendidikan.

Kalibrasi juga diuji oleh insentif sistem yang dipercaya itu sendiri. Ketika staf yang skeptis terhadap adopsi AI berkonsultasi dengan AI percakapan — yang dibangun oleh organisasi dengan kepentingan komersial dalam adopsi — ada risiko bahwa sistem itu cenderung mendorongnya. Audit terhadap sepuluh model terdepan menemukan bahwa sebagian besar mengakui kekhawatiran seorang anggota staf K-12 di daerah pedesaan (ancaman pekerjaan, merasa 'bukan untuk orang seperti saya') sebelum mengalihkan pembicaraan ke arah keterlibatan. Hal ini menantang ketergantungan naif pada kepercayaan dan menegaskan pentingnya pengawasan manusia dan evaluasi AI yang independen.

Miskonsepsi Umum

"Kepercayaan dan ketidakpercayaan berada di ujung yang berlawanan dari satu skala." Keduanya dapat dipisahkan, dan mencampuradukkannya salah membaca apa yang sebenarnya dilaporkan siswa. Persepsi risiko dan kepercayaan bukanlah hal yang berlawanan: studi persepsi terhadap 130 siswa tentang GenAI agensik di pendidikan tinggi menemukan risiko yang dipersepsikan naik secara moderat (M = 3.33, SD 0.89) bersamaan dengan kepercayaan dan adopsi yang lebih menyenangkan. Seorang pembelajar dapat memegang keduanya sekaligus, itulah sebabnya satu skor kepercayaan tidak dapat memberi tahu Anda apakah ketergantungannya tepat.

"Ketidakpercayaan pada akurasi AI berarti siswa tidak akan mengandalkannya." Siswa membedakan keluarannya dari kemampuan mereka mengarahkannya. Dalam survei terhadap 8,021 mahasiswa di empat universitas Australia, 51% tidak mempercayai akurasi faktual GenAI sementara 76% yakin akan kemampuan mereka memperoleh keluaran yang mereka inginkan. Angka kedua itulah yang memprediksi perilaku: keyakinan dalam ekstraksi hidup berdampingan dengan keraguan tentang kebenaran, dan hanya salah satunya merupakan sifat keselamatan.

"Aturan dan kebijakan yang lebih jelas itulah yang membangun kepercayaan siswa." Kegunaan mendominasi. Survei terhadap 2,121 mahasiswa, dosen, dan staf di satu universitas menemukan kegunaan yang dipersepsikan sebagai korelasi terkuat kepercayaan pada AI (β = 0.402), dengan kejelasan kebijakan yang dipersepsikan tertinggal di belakangnya. Institusi yang berinvestasi dalam pembuatan aturan sambil merilis alat yang tidak dianggap berguna oleh siapa pun telah membidik tuas yang lebih lemah.

"Jika pembelajar lebih mempercayainya, mereka akan menggunakannya dengan lebih hati-hati — atau setidaknya secara tepat." Pola yang terdokumentasi justru sebaliknya. Di antara 432 mahasiswa sarjana yang memecahkan masalah Python dengan saran yang akurat dan sengaja menyesatkan, kepercayaan yang lebih besar memprediksi ketergantungan yang tepat yang lebih rendah (r = −.42), dan siswa menerima 86.03% dari saran yang menyesatkan. Kepercayaan bukanlah proksi bagi kalibrasi; lihat kalibrasi kepercayaan.

"Peringatan jujur tentang keterbatasan akan menggerus keyakinan pada tutor." Peringatan itu justru memperbaiki perilaku. Peringatan tentang keterbatasan AI di sebuah ITS matematika meningkatkan Pencarian Bantuan alih-alih mengurangi penggunaan, yang menyarankan bahwa menyatakan batas menumbuhkan ketergantungan yang tepat alih-alih menggerusnya.

Implikasi bagi Praktik

Bagi instruktur

Ukur dua hal, bukan satu: apa yang siswa yakini tentang akurasi AI, dan apa yang mereka yakini tentang kemampuan mereka sendiri untuk menggunakannya. Pemisahan 51%/76% menunjukkan keduanya menyimpang tajam dan hanya yang kedua yang menggerakkan perilaku.
Nyatakan batas alat di awal. Peringatan tentang keterbatasan meningkatkan pencarian bantuan dalam bukti ITS, sehingga pengungkapan adalah alat kalibrasi alih-alih risiko kepercayaan.
Waspadai kepercayaan tinggi yang berpasangan dengan pemeriksaan yang dangkal; kombinasi itu adalah mode kegagalan kalibrasi, bukan sinyal keberhasilan.

Bagi pengembang

Bangun kepercayaan di atas kriteria yang dapat diamati dan disepakati alih-alih kapabilitas yang tampak, mengikuti kerja perancangan bersama metrik keandalan dengan insinyur pembelajaran. Kelancaran bukanlah sinyal keandalan dan siswa membacanya sebagai sinyal keandalan.
Prioritaskan kegunaan dalam orientasi alih-alih salinan kebijakan, karena kegunaan adalah korelasi kepercayaan terkuat yang terukur.
Jangan memperlakukan kepercayaan tinggi sebagai keberhasilan keterlibatan; pasangkan metrik kepercayaan apa pun dengan ukuran ketergantungan yang tepat.

Bagi peneliti

Laporkan kepercayaan, persepsi risiko, dan ketergantungan yang tepat sebagai konstruk yang berbeda, karena ketiganya bervariasi bersama dalam arah yang tidak jelas — termasuk negatif.
Laporkan hasil perilaku (tingkat penerimaan saran yang salah) bersama kepercayaan laporan diri; skala kepercayaan saja membalik kesimpulan.

Konsep terkait

AI yang Dapat Dijelaskan
Kalibrasi Kepercayaan
Literasi AI
Berpikir Kritis
Offloading Kognitif
Robot dalam Pendidikan
Etika
Tutoring Cerdas
Sikofansi AI
Kolaborasi Manusia-AI
Proctoring Jarak Jauh
Norma Sosial Penggunaan AI — risiko sosial yang menjadi landasan norma dan pengungkapan

Metadata

Teknologi dan teknik	Robot dalam Pendidikan, Tutoring Cerdas
Kesetaraan, etika, dan penggunaan yang bertanggung jawab	Kepercayaan
Dasar-dasar AI dalam pendidikan	Literasi AI, Berpikir Kritis, Kolaborasi Manusia-AI

Sumber Riwayat Sunting Obrolan