Bagaimana AI Dapat Mendukung Pembelajar Disabilitas dan Neurodivergen di Mata Kuliah Saya?

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

Surat akomodasi menyebut seorang mahasiswa, sebuah mata kuliah, dan sebuah alat yang belum pernah Anda dengar. Atau seorang mahasiswa bertanya, dengan wajar, apakah ia boleh tetap memakai perangkat lunak pengubah ucapan menjadi teks dalam ujian bertenggat waktu, sementara aturan AI mata kuliah Anda menyatakan tidak ada AI dalam bentuk apa pun. Atau kantor aksesibilitas ingin jawaban pada hari Jumat tentang apakah akan melisensikan alat baca, dan bukti dari vendor hanyalah testimoni dari kampus lain.

Jawaban yang bertahan pada ketiga kasus itu: mulailah dari hambatan yang diciptakan tugas, gunakan alat yang benar-benar diukur, dan ajarkan apa pun yang Anda adopsi. Dua aturan lebih penting daripada pilihan produk mana pun. Sebutkan transkripsi dan OCR dalam kebijakan AI Anda sebagai akomodasi tersendiri, dan berikan struktur tugas alih-alih meminta mahasiswa menyimpulkannya. Bersikap jernih terhadap buktinya: angka terkuat di halaman ini berasal dari lingkungan pendidikan khusus PK-12 yang sebagian besar memakai AI pra-generatif, dan literatur pendidikan tinggi adalah peta tentang apa yang pernah dicoba.

Versi singkat

1. Tuliskan hambatan fungsional pada surat akomodasi sebelum nama alat: membaca dan menulis, manajemen belajar, perhatian, atau komunikasi sosial.

2. Mulailah dari perangkat lunak instruksional terstruktur, yang memiliki efek terukur, dan bacalah label keyakinannya sebelum Anda membeli chatbot yang ditawarkan kepada Anda.

3. Putuskan apakah ini perubahan desain atau akomodasi personal. Bila hambatannya bersifat bersama, ubahlah desainnya, karena itu menghapus langkah pengungkapan diri.

4. Ajarkan alatnya. Akomodasi yang diberikan tanpa instruksi adalah mode kegagalan yang dihukum oleh yurisprudensi.

5. Sebutkan transkripsi dan OCR secara eksplisit dalam aturan AI, agar larangan yang ditulis terhadap penyusunan generatif tidak mencabut sarana mahasiswa untuk menghasilkan karya yang terbaca.

6. Jalankan uji coba terhadap hambatannya, bukan terhadap survei kepuasan, dan nyatakan di muka apa yang akan Anda hitung sebagai berhasil.

Mulailah dari hambatan yang diciptakan tugas

Sebagian besar yang salah bagi mahasiswa disabilitas dan neurodivergen terjadi pada tingkat tugas: bacaan yang mengandaikan cetak, video yang mengandaikan perhatian berkelanjutan, proyek kelompok yang mengandaikan aturan sosial yang tak terucapkan. Hambatan-hambatan itu berulang lintas diagnosis, sehingga pertanyaan yang berguna adalah hambatan fungsional mana yang dihapus sebuah alat, dan pertanyaan pengadaan sebaiknya dirumuskan dengan cara yang sama.

Kategori diagnostik menyembunyikan hal ini. Tinjauan cakupan di bawah menemukan literatur yang didominasi akomodasi individual dan alat untuk satu tipe neuro yang diorganisasi seputar diagnosis formal, sementara perbedaan fungsional yang ditanganinya melintasi tipe neuro. Mahasiswa disleksia cenderung memperoleh manfaat dari berkurangnya ketergantungan pada materi tertulis semata. Mahasiswa autistik dan mahasiswa dengan ADHD sama-sama dapat mengalami fluktuasi fokus yang sering, sehingga kinerja menjadi peka terhadap struktur yang konsisten dan waktu yang cukup untuk berpindah tugas. Alat yang dipasangkan pada sebuah label bisa melewatkan hambatan yang sebenarnya dialami mahasiswa di kelas Anda.

Kewaspadaan yang sama berlaku bagi statistik kelompok. Efek Diferensial Lintas Kelompok Pembelajar melaporkan efek yang jauh lebih besar bagi mahasiswa dengan ketidakmampuan belajar spesifik, disabilitas intelektual dan perkembangan, atau yang tuli, dibandingkan mahasiswa dengan gangguan spektrum autisme, dan perbedaan itu tidak signifikan secara statistik di antara ukuran efeknya.

Gunakan apa yang sudah diukur, dan bacalah labelnya

Hasil kuantitatif terkuat di halaman ini juga yang paling umum, dan ia datang dengan batasan yang sebaiknya Anda bawa ke dalam keputusan pembelian.

Zhang, Carter, Liu dan Peng (2024) menyintesis 29 studi (kuasi-)eksperimental tentang intervensi berbasis AI bagi siswa disabilitas: 239 ukuran efek dari 41 sampel independen, efek keseluruhan berukuran sedang yang signifikan secara statistik terhadap hasil belajar sebesar g Hedges = 0,588 (95% CI [0,349, 0,826], p < .01), dan heterogenitas antarstudi yang tinggi. Kinerja akademik adalah subkelompok hasil terbesar (k = 80, g = 0,929) dan keterampilan sosial-emosional yang terkecil (k = 144, g = 0,382). Perangkat lunak komputer, yakni pengenalan ucapan, sistem pakar, dan sistem tutor cerdas, berkinerja kuat (k = 74, g = 0,959) dan robot berkinerja sedang (k = 144, g = 0,509), sementara VR cerdas (g = 0,528) tidak signifikan. Bias publikasi hadir (β Egger = 2,837, p < .001); trim-and-fill menurunkan estimasi menjadi g = 0,269, yang masih signifikan.

Setiap studi berlangsung di PK-12. 96,6% menggunakan instruksi berbasis langkah di lingkungan pendidikan khusus atau klinis, dan sebagian besar memakai AI berbasis aturan yang lebih tua alih-alih AI generatif. Itu mendukung adopsi hati-hati atas perangkat lunak instruksional terstruktur. Itu tidak dapat dipindahkan ke chatbot serba guna, dan memperlakukannya seolah-olah bisa adalah kesalahan termahal yang tersedia di halaman ini.

Tiga hasil yang lebih kecil menunjukkan apa yang bisa dilakukan satu alat ketika hambatannya sempit. Masing-masing diuji pada segelintir pembelajar, jadi perlakukan itu sebagai eksperimen berbiaya rendah yang dapat dibalik, bukan sebagai infrastruktur.

Untuk perhatian, Pimenova, Begel, dan rekan (2026) mensegmentasi video instruksional setelah produksi menjadi potongan satu-instruksi dengan jeda tetap. Dengan 17 pembelajar dengan ADHD dan 10 tanpa ADHD, hal itu memperbaiki semua orang dan membawa kesalahan serta keraguan partisipan ADHD ke tingkat setara. Efek penyetaraan itu berasal dari transformasi ringan atas materinya.

Untuk akses bahasa, Chen et al. (2026) menambahkan pertanyaan Visual (penanda waktu di mana informasi visual cenderung salah dibaca) dan pertanyaan Emosi (penanda waktu di mana pembelajar Tuli dan Kurang Pendengaran sebelumnya melaporkan frustrasi) ke satu himpunan dasar LLM, sehingga menghasilkan 30 pertanyaan, sepuluh per strategi. Dengan 16 pembelajar, efikasi diri rata-rata 5,70 (SD = 1,12) pada skala tujuh poin, dan pertanyaan visual lebih sering dipilih oleh partisipan Tuli daripada oleh partisipan kurang pendengaran.

Untuk membaca dan menulis, Rezazadegan et al. (2026) menambang diskusi forum para pembelajar disleksia sendiri. Pembelajar itu menghargai AI untuk dukungan literasi dan melaporkan kualitas keluaran yang tidak merata serta kurangnya akomodasi yang setara. Ketidakonsistenan itu sendiri adalah hambatan: alat yang tidak dapat diandalkan menambah pekerjaan alih-alih menghapusnya.

Gambaran pendidikan tinggi adalah bagian bukti yang paling lemah sekaligus yang paling dekat dengan pekerjaan Anda. Rempel, Heimann dan Prilop (2026) menyaring 766 catatan dari lima basis data hingga 40 studi yang disertakan, terbit antara 2015 dan 2025. AI generatif muncul di 15 dari 40 studi itu dan realitas virtual di 11 studi. Cakupan hambatan tidak merata: membaca dan menulis (n = 13) serta manajemen belajar (n = 12) mendominasi, perhatian (n = 4) dan komunikasi sosial (n = 5) terabaikan, dan hanya 6 studi menangani lebih dari satu hambatan. Tinjauan itu secara desain mengecualikan K-12 dan lingkungan lembaga khusus, sehingga tidak mengatakan apa pun tentang pembelajar yang lebih muda. Gunakan tinjauan itu untuk melihat hambatan mana yang sudah ditangani pada jenjang Anda, dan mana yang hampir belum disentuh.

Putuskan apakah Anda mengubah desain atau akomodasinya

Desain universal menghapus kebutuhan mahasiswa untuk menyatakan diri sebagai pihak yang memerlukan ketentuan khusus. Akomodasi justru menuntut hal itu, dan stigma adalah bagian dari biayanya. Jadi ketika sebuah hambatan ternyata bersifat bersama, perubahan desain adalah pilihan yang lebih baik: ia menjangkau mahasiswa yang tidak pernah mengungkapkan keadaannya.

Hasil segmentasi adalah kasus paling jelas. Video yang dipotong menjadi potongan satu-instruksi dengan jeda tetap memperbaiki semua pembelajar dalam studi itu, bukan hanya mereka dengan ADHD, dan membawa kesalahan serta keraguan partisipan ADHD ke tingkat setara. Itu adalah hasil desain universal, yang dicapai melalui sebuah penyuntingan, bukan melalui sebuah produk.

Batasnya secara jujur: itu 17 pembelajar dengan ADHD dan 10 tanpa ADHD, dalam satu studi, dan tidak ada dalam literatur ini yang memberi tahu Anda seberapa jauh boleh menggeneralisasi dari satu hasil kelas, atau kapan kebutuhan seorang mahasiswa cukup khas sehingga menuntut pengaturan individual. Penilaian itu tetap ada pada Anda dan kantor aksesibilitas.

Ajarkan alatnya, dan cantumkan nama seseorang untuk pengajaran itu

Kegagalan yang terdokumentasi adalah akomodasi yang diberikan tanpa instruksi. Dalam W.A. v. Clarksville/Montgomery County School System (2024), seorang siswa yang diberi AI sebagai akomodasi lulus tanpa mampu membaca, dan pengadilan menyimpulkan bahwa pendidikan publik yang gratis dan layak tidak diberikan.

Dua hal membuat kegagalan itu mungkin terjadi, dan keduanya bersifat kelembagaan. Shin et al. (2026) menggunakan pemodelan topik berbasis LLM dan dua putaran survei Delphi dengan 17 pakar pada 12 dokumen kebijakan pendidikan AI di Amerika Serikat dari 2015 hingga 2025. Persiapan pendidik adalah salah satu dari lima tema tervalidasi mereka, memuat 4 dari 36 butir, dan para pakar memberi peringkat pemberdayaan siswa serta literasi AI sebagai yang paling esensial: siswa-siswa ini harus belajar menggunakan AI secara bertanggung jawab dan mandiri, dengan penjagaan terhadap ketergantungan berlebih diajarkan sebagai bagian dari keterampilan yang sama. Penulis LUDIA menyebut hambatannya sebagai “jurang antara tahu dan bisa”: panduan ada berlimpah, ditulis dalam istilah umum, sementara sebuah hambatan selalu khas untuk ruangan ini, minggu ini.

Yang tidak dapat diberikan halaman ini adalah protokol pelatihan. Tidak ada pedoman formal berbasis bukti yang membantu pendidik atau keluarga menerapkan AI bagi pembelajar ini, sehingga jumlah instruksi, urutannya, dan siapa yang menyampaikannya adalah keputusan penilaian. Yurisprudensi menetapkan batas bawah, bukan standar: pada akhirnya siswa harus mampu melakukan hal itu, dan seseorang harus bertanggung jawab untuk membawanya ke sana.

Tuliskan transkripsi dan OCR ke dalam aturan AI secara eksplisit

Wright (2026) berargumen bahwa aturan yang memperlakukan semua “penggunaan AI” secara sama bersifat terlalu inklusif, karena tidak memisahkan transkripsi ucapan-ke-teks dan OCR dari penyusunan generatif. Mahasiswa dengan kondisi yang memengaruhi kontrol motorik halus, keterbacaan tulisan tangan, atau ketepatan mengetik telah mengandalkan produk pengubah suara menjadi teks mandiri seperti Dragon NaturallySpeaking dan OCR mandiri, beberapa di antaranya telah dihentikan atau mengalami penurunan mutu, dengan transkripsi bertenaga AI mengisi celah fungsionalnya.

Aturan yang ditulis sebagai “tanpa AI” karena itu dapat mencabut sarana utama mahasiswa untuk menghasilkan karya yang terbaca. Belum ada yang mengukur skala pergeseran itu, dan justru itulah alasan untuk bersikap eksplisit alih-alih menunggu angkanya. Sebutkan transkripsi dan OCR sebagai akomodasi dalam kebijakan, bersebelahan dengan larangan penyusunan, agar kedua pertanyaan itu diputuskan secara terpisah. Keterpaparan yang diciptakan hal ini bagi institusi menjadi bahasan isu dan risiko hukum.

Ini perbaikan satu baris dalam sebagian besar dokumen, dan itu baris dengan konsekuensi tertinggi di halaman ini.

Berikan struktur di tempat tugas mengandaikannya

Struktur adalah intervensi termurah di sini dan yang paling sering ditinggalkan dari rencana. Zastudil et al. (2026) mensurvei 24 mahasiswa komputasi neurodivergen (autistik dan/atau ADHD) dan 20 rekan neurotipikal, dengan empat wawancara lanjutan. Kelompok neurodivergen merasa tidak nyaman dengan tugas yang tidak terstruktur atau ambigu dan sangat menyukai tim kecil yang bekerja bersama secara konsisten dengan peran yang didefinisikan eksplisit, serta mengatasinya dengan memilih peran sendiri dan mengungkapkan keadaan secara strategis.

Itu data preferensi, bukan studi efek, dan sekaligus ringkasan desain yang ditulis mahasiswa untuk diri mereka sendiri. Pekerjaan yang dimediasi AI membawa versi khusus dari risiko itu, karena model interaksi sebuah alat dapat mereproduksi ambiguitas struktural yang sudah ada pada tugas. Periksa apa yang alat itu minta diputuskan mahasiswa sendirian sebelum Anda menambahkannya ke sebuah tugas.

Jalankan uji coba terhadap hambatannya, dan tuliskan apa yang Anda hitung

Efek agregat memberi Anda sebuah arah. Efek itu tidak memberi tahu apakah alat tersebut bekerja bagi mahasiswa di kelas Anda pekan depan, sehingga setiap uji coba memerlukan ukuran yang dipilih sebelum dimulai.

Tiga peringatan sebaiknya membentuk ukuran itu. Yang pertama, urutan subkelompok bersifat sugestif, bukan mapan: tidak ada moderator jenis apa pun yang mencapai signifikansi dalam meta-analisis 2024 itu, sehingga peringkat seperti agen yang dapat mengajar (g = 1,100) di atas pelatih sosial-emosional (g = 0,336), atau interaksi diadik di atas triadik (g = 0,973 versus g = 0,385), tidak boleh dianggap sudah pasti. Arah efeknya didukung; besarnya, desain optimalnya, dan daya tahan perolehannya tidak.

Yang kedua, korpus ini lebih banyak menggambarkan penerapan dan persepsi daripada pembelajaran yang terukur. Perhatian (n = 4) dan komunikasi sosial (n = 5) adalah hambatan yang paling sedikit diteliti, dan kelangkaan desain (kuasi-)eksperimental serta longitudinal itulah sebabnya karya pendidikan tinggi berbentuk tinjauan cakupan, bukan meta-analisis. Cakupannya miring ke jenjang sarjana dan Belahan Bumi Utara, pencariannya terbatas pada karya berbahasa Inggris yang ditelaah sejawat, dan mahasiswa pascasarjana kurang terwakili. Keterlibatan dan kepuasan adalah indikator yang lemah.

Yang ketiga, alat yang memperbaiki satu hambatan bisa meninggalkan hambatan lain. Periksa alat itu terhadap kesulitan spesifik yang dilaporkan mahasiswa, apakah membaca dan menulis, manajemen belajar, perhatian, atau komunikasi sosial, dan evaluasi terhadap kesulitan itu alih-alih terhadap bagaimana perasaan mahasiswa tentang produknya. Tanyakan kepada mahasiswa apa yang harus dihitung. Partisipan Zastudil et al. dan para penulis forum Rezazadegan et al. sama-sama menggambarkan kebutuhan mereka lebih tepat daripada produk yang dibuat untuk mereka.

Yang tidak akan Anda temukan di sini adalah instrumen tervalidasi untuk mengukur sebuah hambatan dalam satu mata kuliah, atau bukti tentang berapa lama uji coba sebaiknya berlangsung. Keduanya adalah celah dalam literatur, bukan kegagalan pencarian Anda, dan keduanya layak dicatat dalam catatan tinjauan.

Belilah untuk hambatannya, dan tolak default yang mahal

Dua persyaratan pengadaan langsung keluar dari tinjauan itu: nyatakan desain universal dan pengembangan partisipatif sebagai syarat, dan bangun alat bersama mahasiswa neurodivergen, bukan untuk mereka. Sampel tinjauan itu sendiri menunjukkan betapa langkanya hal tersebut, dengan hanya 3 dari 40 studi memperlakukan lingkungan atau rekan neurotipikal sebagai objek intervensi.

Lalu susun anggaran secara jujur. Teknologi bantu memerlukan perangkat dan konektivitas, dan alat yang gratis dalam uji coba lazimnya berpindah ke balik dinding bayar. Realitas virtual adalah opsi paling padat sumber daya dalam kumpulan ini, dan bidangnya terkonsentrasi di Belahan Bumi Utara, sehingga alatnya yang paling imersif adalah yang paling sulit diskalakan. Shin et al. secara langsung menandai kesenjangan digital: harga alat AI canggih dapat memperlebar ketimpangan antara sekolah yang lebih kaya dan yang lebih miskin, bersama bias algoritmik dan celah pelatihan guru.

LUDIA adalah satu versi terperinci dari alternatif berbiaya rendah, dan para penulisnya luar biasa terbuka tentang apa yang belum mereka tunjukkan. LUDIA menghubungkan pendidik dengan Desain Universal untuk Pembelajaran saat sebuah keputusan desain masih terbuka, dan menghapus hambatan akses melalui arsitektur: tanpa biaya, tanpa akun atau obrolan tersimpan, kesesuaian WCAG 2.2 Level AA, dan 13 bahasa hasil terjemahan mesin, meskipun versi non-Inggris dapat membawa asumsi dari bahasa Inggris asalnya. LUDIA adalah mitra berpikir, bukan mesin solusi, dan para penulis menyatakan tidak memiliki bukti bahwa alat itu meningkatkan pembelajaran. Mereka juga menyebut batas yang semestinya ada di setiap rencana penerapan: bias otomasi berarti pendidik yang paling mungkin menerima saran buruk adalah yang percaya bahwa alat itu memahami Desain Universal untuk Pembelajaran. Tidak ada pula yang menguji keluarannya untuk bias budaya atau linguistik.

Ingat juga kegagalan kedua. Ketergantungan berlebih pada chatbot dan kelebihan beban kognitif dari lingkungan imersif terdokumentasi sebagai efek inversi, ketika penambahan teknologi justru menurunkan pembelajaran. Alat yang hanya mereproduksi pengajaran yang sudah ada dalam bentuk digital semestinya diharapkan menghasilkan perolehan belajar yang terbatas.

Apa yang salah dipahami pengajar tentang hal ini

Sebuah diagnosis memberi tahu saya alat mana yang harus dibeli. Hambatan melintasi diagnosis, dan alat yang dipasangkan pada sebuah label bisa melewatkan hambatan yang ada di ruangan. Tanyakan apa yang diandaikan tugas: cetak, perhatian berkelanjutan, aturan sosial yang tak terucapkan, cara tertentu dalam menghasilkan teks.

Akomodasi adalah pengaturan personal, jadi perbaikannya menjadi urusan mahasiswa. Sebagian memang demikian, dan yang layak digeneralisasi adalah yang toh akan Anda rancang sejak awal. Segmentasi membantu setiap pembelajar dalam studinya. Perubahan desain menghapus langkah pengungkapan diri, dan bersamanya, stigma.

Keterlibatan dan kepuasan menunjukkan alatnya bekerja. Keduanya menunjukkan mahasiswa menyukainya. Korpus ini sebagian besar berisi penerapan dan persepsi, dan hanya 6 dari 40 studi pendidikan tinggi melayani lebih dari satu hambatan, sehingga mahasiswa yang puas belum menjadi bukti bahwa sebuah hambatan sudah turun.

Alatnya yang membawa dukungan, dan pengajaran hanyalah tambahan. Yurisprudensi memperlakukan alat yang tidak diajarkan sebagai kegagalan, dan para pakar kebijakan memberi peringkat pemberdayaan siswa serta literasi AI sebagai tema paling esensial. Anggarkan waktu pengajaran bersama lisensinya.

Apa yang akan kembali kepada Anda

“Kami tidak bisa mewajibkan satu alat untuk semua orang.” Ketika alat itu merupakan fitur desain, mewajibkannya justru intinya. Segmentasi video dengan jeda tetap memperbaiki semua pembelajar dan membawa kesalahan serta keraguan partisipan ADHD ke tingkat setara, yang merupakan hasil desain universal yang menghapus kebutuhan akan pengungkapan diri. Default yang aksesibel membawa logika yang sama: alat baca-keras, OCR, dan penjajaran tingkat teks berulang dalam butir kebijakan tervalidasi Shin et al. Korpus mereka juga menunjukkan seberapa jauh kebijakan harus berjalan, karena hanya 2 dari 12 dokumen secara khusus membahas ketidakmampuan belajar, sementara 18 topik yang hadir dalam kebijakan AI umum atau disabilitas lain, termasuk perlindungan data, manajemen risiko hukum, dan pedoman etika, tidak ada dalam kebijakan ketidakmampuan belajar spesifik.

“Teks takarir dan terjemahan bukan dukungan akademik.” Takarir adalah awal, bukan keseluruhan akses bahasa. Pertanyaan Visual dan Emosi dari Chen et al. ada karena transkrip saja membuat pembelajar Tuli merekonstruksi konteks yang tidak pernah dinyatakan videonya. Peringkat para pakar kebijakan juga tidak sependapat dengan bantahan itu. Ke-36 butir tervalidasi mereka tersebar dalam lima tema, dengan pembelajaran inklusif dan personalisasi sebagai yang terbesar, 11 butir (30,56%), etika, kesetaraan dan inklusi 9 butir (25,00%), serta persiapan pendidik 4 butir (11,11%), namun para pakar memberi peringkat pemberdayaan siswa dan literasi AI sebagai yang paling esensial dari kelima tema, dengan 6 butir (16,67%), setara dengan penilaian dan penelitian.

“Siswa harus mandiri.” Kemandirian itulah tujuan instruksinya, dan karena itulah alat tanpa pengajaran merupakan kegagalan. Tema persiapan pendidik dalam Shin et al. ada untuk alasan yang sama. Skala kebutuhan mudah diremehkan: sekitar 240 juta anak di seluruh dunia hidup dengan disabilitas, sekitar separuhnya tidak bersekolah di negara berpendapatan rendah dan menengah, dan sekitar sepertiga guru di sistem OECD melaporkan kurang memiliki kompetensi untuk mendukung siswa dengan kebutuhan spesifik. Di Amerika Serikat, Assistive Technology Act (2004) dan IDEA (2004) menempatkan evaluasi teknologi bantu di dalam setiap Individualized Education Program dan mewajibkan pendidikan publik yang gratis dan layak, namun tidak ada pedoman formal berbasis bukti yang membantu pendidik atau keluarga menerapkan AI bagi pembelajar ini. Kemandirian yang dibangun di atas alat yang tidak diajarkan itulah yang dihukum oleh yurisprudensi.

“Kami tidak mampu membiayainya.” Maka tolak default yang mahal. Realitas virtual adalah opsi paling padat sumber daya dalam kumpulan ini, dan alat paling imersif di bidang ini adalah yang paling sulit diskalakan. Sebuah alat gratis yang menjaga privasi dan memperbaiki percakapan desain, dengan catatan para penulisnya dibaca lebih dahulu, adalah pembelian pembuka yang lebih baik daripada sebuah headset.

“Buktinya terlalu tipis untuk ditindaklanjuti.” Tipis, tetapi tidak kosong. Meta-analisis 2024 memberi Anda arah dengan interval lebar dan koreksi bias publikasi yang memangkas estimasi lebih dari separuh, ketiga studi satu alat itu kecil, dan tinjauan pendidikan tinggi mengukur cakupan alih-alih efek. Yang didukungnya adalah langkah murah dan dapat dibalik: perubahan desain, akomodasi yang disebutkan secara eksplisit, uji coba dengan ukuran yang disepakati di muka. Menunda keputusan juga sebuah keputusan, dan itu membiarkan mahasiswa di hadapan Anda bergantung pada apa pun yang disediakan pengaturan default.

Yang perlu dilakukan pekan ini

1. Untuk setiap permintaan akomodasi di meja Anda, tuliskan hambatan fungsional di samping nama alat, dan periksa bahwa alat itu menangani hambatan tersebut, bukan diagnosisnya.

2. Tanyakan apakah hambatan itu dialami seluruh kelas. Bila ya, ubah desainnya: potong video menjadi bagian kecil, hilangkan ambiguitas, aktifkan baca-keras, dan berikan struktur tugas yang hilang.

3. Tambahkan transkripsi dan OCR ke aturan AI secara eksplisit, sehingga larangan penyusunan generatif dan akomodasi untuk menghasilkan teks diputuskan secara terpisah.

4. Cantumkan sebuah nama dan tanggal untuk pengajaran itu: siapa yang menunjukkan alat kepada mahasiswa, kapan, dan siapa yang memeriksa bahwa alat itu bekerja.

5. Sepakati ukurannya dengan mahasiswa sebelum uji coba dimulai, dan catat hasilnya dalam catatan tinjauan, termasuk bila jawabannya adalah alat itu tidak membantu.

Ke mana selanjutnya

Desain Universal untuk Pembelajaran membahas pendekatan desain yang mencegah hambatan sebelum muncul, teknologi bantu membahas lapisan alat yang dipakai mahasiswa, aksesibilitas membahas apakah sebuah format dapat dipersepsi dan dioperasikan sama sekali, dan keragaman neuro membahas lensa yang memperlakukan perbedaan sebagai keragaman alih-alih defisit, semuanya di bawah payung pembelajaran inklusif. Mengurangi ketergantungan berlebih membahas ketergantungan berlebih dan efek inversi yang menentukan apakah sebuah alat terus membantu, dan memasukkan kesetaraan, aksesibilitas, privasi, etika dan keselamatan pedagogis ke dalam penelitian AIED membahas kewajiban di sisi penelitian.