Bagaimana Cara Mengajari Siswa Memverifikasi Keluaran AI?

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

Ini minggu sebelum nilai jatuh tempo dan dua kiriman mengutip sumber yang tidak ada. Kedua siswa mengatakan mereka sudah memeriksanya. Yang satu membuka tautannya. Yang lain membaca paragrafnya dan memutuskan bahwa bunyinya sudah benar. Anda sudah memberi tahu kelas ini untuk memverifikasi apa yang diberikan chatbot kepada mereka, dan pemberitahuan itu tidak menghasilkan perilakunya.

Verifikasi adalah urutan yang dapat Anda bangun ke dalam sebuah tugas. Putuskan apa yang dianggap benar sebelum tugas dimulai, buat siswa menetapkan harapan secara tertulis, arahkan mereka ke rekamannya alih-alih ke kesan mereka tentang prosanya, dan nilai rekaman yang mereka hasilkan. Baris rubrik yang berbunyi “memeriksa sumber” tidak mengukur satu pun dari itu.

Versi singkat

1. Tulis kunci jawabannya lebih dulu. Pemeriksaan memerlukan sesuatu untuk dijadikan rujukan, dan sebagian besar tugas verifikasi tidak pernah mendefinisikan apa artinya benar.

2. Wajibkan prediksi sebelum keluarannya muncul, sehingga penalaran siswa sudah ada di atas kertas sebelum alat itu dapat menimpanya.

3. Sebutkan sasaran setiap pemeriksaan: daftar penulis, tempat terbit, tahun, angka yang spesifik, langkah yang spesifik. “Pastikan itu benar” bukan pemeriksaan.

4. Pisahkan pemeriksaan yang dapat dijalankan mesin dari pertimbangan yang hanya dapat dibuat pembaca, dan ajari siswa yang mana yang sedang mereka lakukan.

5. Nilai rekamannya terhadap kunci, bukan usahanya, sehingga teater pemeriksaan tidak memperoleh apa pun.

6. Jadwalkan pemeriksaan di dalam tugas. Tekanan waktu adalah alasan yang terdokumentasi mengapa siswa melewatinya.

Putuskan apa artinya benar sebelum siapa pun memeriksa apa pun

Wei dan Shang (2026), yang meninjau 493 rekaman yang telah dideduplikasi dan memetakan 14 studi empiris prioritas, memisahkan tujuh hal yang diruntuhkan “penggunaan AI kritis” menjadi satu: evaluasi epistemik, inisiasi verifikasi, kualitas proses, keberhasilan verifikasi, keputusan ketergantungan, kinerja tugas segera, dan pembelajaran mandiri. Rubrik Anda berbunyi “memeriksa sumber”, yang berada di langkah kedua dan tidak memberi tahu apa pun tentang apakah pemeriksaannya kompeten atau apakah ia mengubah jawaban siswa. Inisiasi bukan keberhasilan. Proses yang kuat dapat berakhir tanpa kesimpulan, proses yang lemah dapat mendarat pada jawaban yang benar, dan siswa yang menjalankan pencarian lalu tetap bingung mendapat nilai yang sama dengan siswa yang menyelesaikan pertanyaannya.

Tinjauan yang sama menarik garis kedua, antara kepercayaan dan ketergantungan. Kalibrasi ketergantungan menanyakan apakah keputusan bergantung itu tepat mengingat kualitas keluaran yang sebenarnya, yang mengikat pertimbangan pada satu keputusan dan satu keluaran. Satu studi yang diaudit menemukan bahwa informasi ChatGPT yang salah menggeser kepercayaan yang dilaporkan peserta dan tidak pernah mencatat apakah mereka kemudian menerima atau menolak rekomendasi tertentu. Studi lain mencatat keputusan menerima dan menolak atas umpan balik ChatGPT untuk 78 siswa penerjemahan, tetapi tanpa evaluasi pakar yang independen, sebuah penerimaan tidak dapat disebut tepat dan sebuah penolakan tidak dapat disebut beralasan. Tanpa kebenaran dasar tentang kualitas keluaran, ketergantungan tidak dapat diklasifikasikan sama sekali.

Itulah konsekuensi desainnya, dan itu hal pertama yang harus diperbaiki. Sebelum Anda menetapkan tugas verifikasi, tulis dua deskripsi singkat: seperti apa keluaran yang benar untuk tugas ini, dan seperti apa keluaran yang masuk akal tetapi salah. Satu dari masing-masing sudah cukup. Siswa lalu memiliki standar untuk dijadikan pembanding, dan Anda memiliki sesuatu untuk menilai pemeriksaannya selain dari apakah siswa terdengar teliti.

Buat mereka menetapkan posisi sebelum alat menjawab

Gousopoulos (2026) membangun program pengukuran di sekitar prediksi sebelum Anda menjalankan: pembelajar menyatakan apa yang seharusnya terjadi, lalu perilaku artefak dinilai terhadap prediksi itu berdasarkan alasan domain, bukan berdasarkan apakah ia berjalan. Penalaran itu ada sebelum keluarannya ada, itulah yang membuatnya dapat dinilai.

Auditnya atas 24 studi menemukan alat yang sama menghasilkan hasil yang berlawanan di bawah struktur tugas yang berbeda. Pengaturan ChatGPT konvensional berakhir jauh lebih rendah dalam capaian, efikasi diri, dan flow, sementara kondisi yang menambahkan persyaratan verifikasi dan modul refleksi kesalahan menunjukkan berpikir tingkat tinggi yang lebih kuat. Alatnya konstan di seluruh kondisi itu. Yang bervariasi adalah apakah tugas meminta siswa memegang posisi yang dapat dibantah alat.

Dalam praktiknya itu satu baris pada lembar tugas: sebelum Anda membuka alat itu, tuliskan apa yang Anda perkirakan akan dikatakannya dan mengapa. Lalu bandingkan. Dua siswa dapat menghasilkan paragraf yang sama dan hanya satu dari mereka yang dapat menjelaskan di mana paragraf itu menyimpang dari apa yang mereka prediksi.

Arahkan mereka ke rekamannya

Denny et al. (2026) melacak 113.588 referensi dari 5.225 makalah pendidikan komputasi yang terbit sejak 2021 dan memverifikasi secara manual 828 rekaman yang mencurigakan. Mereka menemukan 30 rekaman yang memuat informasi bibliografis yang terbukti difabrikasi di 14 makalah, semuanya dari 2025 dan 2026. Tiga belas sepenuhnya diciptakan. 17 sisanya menggabungkan judul yang nyata dengan kepenulisan, tempat terbit, atau tahun yang difabrikasi atau salah. Di SIGCSE Technical Symposium jumlahnya naik dari 3 pada prosiding 2025 menjadi 17 pada 2026, atau 2,3% dari makalah prosiding tahun itu.

Bidang penulis gagal lebih sering daripada bagian lain mana pun dari referensi yang dihasilkan. Temuan tunggal itu memberi tahu Anda apa yang harus diminta. “Buka sumbernya dan baca daftar penulis” menyasar bidang yang paling mungkin salah, dan ia menghasilkan fakta yang dimiliki atau tidak dimiliki siswa. “Pastikan sumbernya nyata” hanya menghasilkan jaminan. Minta siswa memastikan penulis, tempat terbit, dan tahun terhadap rekaman itu sendiri. Makalah itu meminta setiap karya yang dikutip diverifikasi dan setiap pemeriksa otomatis tetap menjaga manusia dalam lingkarannya, yang justru merupakan kebiasaan yang dilatih oleh persyaratan sitasi.

Pisahkan pemeriksaan yang dapat dijalankan mesin dari pertimbangan yang hanya dapat dibuat pembaca

Venetsanos (2026) menetapkan ambang yang dapat dipertahankan untuk apa yang boleh diperiksa secara mekanis: kriteria yang terdokumentasi, perbandingan dengan pengetahuan yang mapan tanpa pertimbangan interpretatif, dan satu jawaban benar tunggal atau alternatif yang dapat diterima yang ditentukan sebelumnya. Tanggal, rumus, sitasi, dan perhitungan melewati ambang itu. Apa pun yang interpretatif gagal melewatinya, dan di situ pembacaan siswa sendiri adalah instrumen pemeriksaannya.

Gousopoulos merumuskan pembagian yang sama sebagai masalah deteksi sinyal dengan dua parameter independen. Sensitivitas adalah kemampuan membedakan keluaran yang benar dari yang cacat; kriteria adalah tempat pembelajar menetapkan ambang penolakan. Ketergantungan berlebih terbelah di sepanjang garis itu. Peringatan, daftar periksa, dan prompt halusinasi menggeser kriteria, mengubah kapan siswa menolak. Instruksi domain, perbandingan yang dikerjakan, dan latihan dengan kesalahan yang ditanam meningkatkan sensitivitas, karena pembelajar lalu dapat membedakannya. Siswa yang menerima keluaran cacat mungkin memiliki masalah kriteria atau masalah sensitivitas, dan keduanya memerlukan pengajaran yang berbeda.

Prasyaratnya tidak nyaman. Instruksi verifikasi hanya mendidik ketika sensitivitas dapat melebihi nol, yang menuntut pengetahuan domain yang cukup untuk membedakan keluaran yang benar dari yang salah. Dalam audit yang sama, pemula yang diminta menjelaskan kode yang dihasilkan LLM berhasil pada sekitar sepertiga tugas, sehingga menilai umpan balik atau kode AI terhadap penalaran sendiri adalah pemeriksaan yang nyata hanya ketika penalaran itu memiliki substansi. Jika siswa Anda belum dapat melakukan pemikiran domain tanpa bantuan, peringatan yang lebih banyak tidak membeli apa pun. Ajarkan isinya dan lekatkan pemeriksaannya pada isi itu.

Satu peringatan lagi layak masuk ke dalam desain: intervensi yang mengurangi penerimaan yang tidak tepat juga harus diperiksa terhadap penolakan yang tidak diinginkan atas bantuan yang benar. Beri ruang bagi siswa untuk menerima keluaran yang baik dengan alasan yang dinyatakan.

Nilai pemeriksaannya tanpa mengubahnya menjadi pengawasan

Gousopoulos menarik konsekuensinya secara langsung. Jika AI dapat menghasilkan artefaknya, artefak itu tidak dapat menjadi penilaiannya, sehingga evaluasi berpindah ke spesifikasi, penalaran validasi, dan interpretasi. Konstruk kepenulisan modelnya memiliki empat faset, yaitu spesifikasi, model konseptual, verifikasi, dan interpretasi, pada empat tingkat berurutan dari didelegasikan ke dikarang. Tingkat dikarang menuntut spesifikasi yang dapat diverifikasi sebelum prompt pertama, penolakan keluaran berdasarkan alasan domain dengan alasan yang dinyatakan, dan interpretasi yang melampaui laporan artefak itu sendiri tentang dirinya.

Rubriknya bertumpu pada bahan yang sudah dihasilkan tugas konstruksi, sehingga instrumen yang sama merupakan penilaian formatif sekaligus ukuran penelitian. Itu menjawab kekhawatiran kerja sia-sia: Anda menilai produk sampingan dari tugas yang sudah Anda tetapkan. Dua batasan menyertainya. Tidak ada studi di antara 14 kasus prioritas Wei dan Shang yang mengukur keberhasilan verifikasi dan keputusan ketergantungan berikutnya secara bersamaan, dan sedikit yang mengikuti kinerja segera dengan retensi atau transfer yang tertunda, sehingga rubrik itu bertumpu pada peta analitis, bukan pada urutan kausal yang tervalidasi.

Tiga keputusan mencegah hal ini menjadi pengawasan. Nilai pemeriksaannya terhadap kualitas yang telah diadjudikasi, bukan terhadap usaha, atau Anda membangun insentif untuk menampilkan pemeriksaan. Nyatakan provenans, seperti yang dituntut Venetsanos: siswa perlu tahu bagian mana dari umpan balik yang mereka terima yang diverifikasi mesin, mana yang dinilai secara evaluatif, dan bahwa pertimbangan manusia memiliki keutamaan, karena mereka tidak dapat menimbang umpan balik yang tidak dapat mereka tempatkan. Dan jauhkan penegakan dari alat deteksi. Bassett et al. (2026) berargumen bahwa deteksi AI tidak boleh digunakan dalam pendidikan sama sekali: estimasinya probabilistik dan tidak dapat diverifikasi secara independen karena asal teks dunia nyata tidak diketahui, skornya tidak memenuhi standar keseimbangan probabilitas yang dituntut investigasi integritas, dan dikotomi manusia-versus-AI tidak bermakna untuk karya yang dibuat dengan AI, bukan oleh AI. Kesimpulan mereka adalah deteksi “tidak melindungi integritas akademik; ia melemahkannya.” Rezim pengawasan menumbuhkan kecurigaan dan mengikis kepercayaan siswa. Jauhkan dua makna deteksi. Mendeteksi teks yang dihasilkan AI tidak memiliki peran evidensial yang dapat dipertahankan di sini; mengajari siswa mendeteksi kesalahan dalam keluaran AI adalah keseluruhan latihannya.

Pemisahan itu bersifat arsitektural, dan layak diberitahukan kepada siswa. Li, Zhang dan Botelho (2026) memeriksa keluaran dengan model kedua alih-alih menyematkan pemeriksaan di dalam generatornya. Siswa yang melihat mengapa dapat melihat mengapa “alat itu mengatakan itu benar” bukan argumen verifikasi.

Jika Anda merancang mata kuliahnya, bukan mengajarnya

Tiga temuan di atas termasuk dalam pembangunan mata kuliah, tempat pengajar yang bekerja sendiri tidak akan mencapainya.

Yang pertama adalah diagnostik. Jalankan tugas dengan kesalahan yang ditanam: dua puluh butir, delapan di antaranya dengan kesalahan tingkat domain. Itu memberi tahu Anda apakah siswa dapat membedakan sama sekali, sebelum Anda menghabiskan satu semester mengajarkan kriteria yang tidak dapat mereka gunakan. Kelas yang melewatkan kesalahan yang ditanam memerlukan peninjauan isi, apa pun kata silabus tentang penggunaan kritis.

Yang kedua adalah penempatan peringatan. Vu, Cummings dan Park (2026) menunjukkan pesan peringatan generik tepat sebelum dua tugas kepada 100 siswa yang berbasis di Amerika Serikat, 40 domestik dan 60 internasional EFL. Siswa yang diinokulasi jauh lebih mungkin memverifikasi tugas ringkasan sumber akademik (M = 0,34 versus 0,18), sementara niat verifikasi yang dilaporkan sendiri tidak bergerak. Efeknya juga bergantung pada tugas: ia muncul untuk tugas ringkasan sumber tetapi tidak seragam untuk kuis matematika tentang perpangkatan dan perkalian bilangan besar. Letakkan peringatannya di titik penggunaan, per jenis tugas, bukan sekali di silabus atau modul orientasi.

Yang ketiga adalah penjadwalan. Silabus yang membiarkan verifikasi tanpa jadwal menyatakan bahwa hal itu opsional, dan tekanan waktu adalah alasan yang terdokumentasi mengapa siswa melewati pemeriksaan. Verifikasi yang hidup di dalam tugas, dengan artefak bertanda yang dilekatkan, akan terjadi. Verifikasi yang hidup dalam satu paragraf kebijakan tidak.

Jika Anda adalah siswa yang membaca ini

Empat langkah mencakup sebagian besar dari apa yang diminta penelitian kepada Anda.

Tulis harapan Anda sebelum Anda memberi prompt. Satu kalimat tentang seperti apa jawabannya, lalu bandingkan keluarannya terhadapnya.

Buka sumbernya. Baca daftar penulis, tempat terbit, dan tahun terhadap rekaman, karena bidang penulis adalah tempat referensi yang dihasilkan paling sering gagal.

Untuk apa pun yang interpretatif, tulis alasannya dengan kata-kata Anda sendiri. Alasan yang difabrikasi sama terlihatnya dengan sitasi yang difabrikasi.

Curigailah perasaan bahwa prosanya terbaca dengan baik. Pemula yang diminta menjelaskan kode yang dihasilkan LLM berhasil pada sekitar sepertiga tugas, dan studi lapangan atas percakapan kuis antara siswa dan ChatGPT menemukan bahwa mengikuti panduan yang benar tetap menghasilkan jawaban yang salah. Apa yang dapat Anda periksa lebih sempit daripada apa yang dapat Anda baca.

Apa yang salah dipahami pengajar tentang hal ini

“Saya sudah memberi tahu mereka untuk memeriksa sumbernya.” Peringatan meminta disposisi. Siswa yang teliti memilikinya, yang tergesa-gesa tidak, dan tidak ada apa pun dalam kalimat itu yang dapat ditindaklanjuti siswa pada pukul 11 malam dengan keluaran di layar yang terbaca sangat baik.

“Baris rubrik tentang memeriksa sumber sudah mencakupnya.” Baris itu berada di inisiasi dan tidak mengatakan apa pun tentang kualitas proses atau keberhasilannya. Siswa yang menjalankan satu pencarian lalu menyerah mendapat nilai yang sama dengan siswa yang menyelesaikan pertanyaannya, sehingga rubrik memberi imbalan pada gesturnya.

“Jika mereka membaca dengan teliti, mereka akan menangkap kesalahannya.” Kelancaran membawa pertimbangannya. Literatur yang diaudit menunjukkan pemula pada sekitar sepertiga keberhasilan dalam menjelaskan kode yang dihasilkan, dan studi lapangan mencatat jawaban salah yang datang melalui panduan yang benar.

“Siswa yang mengatakan akan memverifikasi, melakukannya.” Dalam studi Vu, Cummings dan Park, niat yang dilaporkan sendiri tidak bergerak sementara perilaku yang dijalankan bergerak (M = 0,34 versus 0,18). Nilai perilakunya, karena itulah yang bergerak.

“Siswa yang melewati pemeriksaan adalah yang tidak peduli.” Jaidka dan Cai (2026) menyilangkan kemampuan memverifikasi dengan motivasi memverifikasi, dan profil-profilnya memerlukan penawar yang berbeda. Siswa berkemampuan tinggi tetapi bermotivasi rendah rentan terhadap kepercayaan berlebih yang puas diri. Siswa berkemampuan rendah dan bermotivasi rendah adalah yang paling terekspos. Dua siswa yang gagal pada pemeriksaan yang sama dapat memerlukan pengajaran yang berlawanan, dan pengetahuan awal menentukan yang mana yang sedang Anda hadapi.

“Peringatan yang lebih banyak akan memperbaiki siswa yang tidak dapat membedakan.” Peringatan menggeser kriteria. Ia tidak menaikkan sensitivitas, dan sensitivitas itulah yang memisahkan siswa yang dapat melihat cacatnya dari yang tidak.

“Detektor menopang kebijakannya.” Berdasarkan bukti di atas, skor detektor gagal memenuhi standar yang dituntut kasus integritas, pemisahan manusia-versus-AI tidak berlaku untuk karya yang dibuat dengan AI, dan rezimnya menghabiskan kepercayaan yang Anda butuhkan agar siswa mengungkapkan apa pun.

Apa yang akan kembali kepada Anda

“Mereka bisa saja mengerjakannya demi nilai.” Sebagian benar, jadi nilai bahan yang tidak dapat dihasilkan AI atas nama siswa. Spesifikasi yang ditulis sebelum prompt pertama, prediksi yang dicatat sebelum artefak berjalan, daftar sumber yang diperiksa terhadap rekaman, alasan domain yang dinyatakan untuk penolakan: masing-masing menuntut siswa memegang posisi yang tidak dapat dipasok generator. Alasan yang difabrikasi sama terlihatnya dengan sitasi yang difabrikasi. Ketika siswa tidak memiliki pengetahuan domain untuk dijadikan pembanding, verifikasi adalah teater dan tidak ada rubrik yang menyelamatkannya, yang merupakan argumen untuk mengajarkan isinya lebih dulu.

“Tidak ada waktu di silabus.” Peringatan awal adalah satu pesan sebelum tugas. Tugas dengan kesalahan yang ditanam menggunakan kembali kuis yang sudah Anda berikan. Rubriknya menumpang pada bahan yang sudah dihasilkan tugas, sehingga ia memakan waktu penilaian atas bukti yang tanpanya Anda tidak akan memilikinya. Alternatifnya lebih mahal: kiriman yang tidak diverifikasi, referensi yang difabrikasi, dan percakapan integritas yang menyusul.

“Alat itu biasanya benar.” Kalau begitu pemeriksaannya murah dan pengecualiannya adalah intinya. Bidang penulis gagal lebih sering daripada bagian lain mana pun dari referensi yang dihasilkan, 17 dari 30 item yang difabrikasi memasangkan judul nyata dengan kepenulisan, tempat terbit, atau tahun yang salah, dan 17 muncul dalam prosiding simposium satu tahun. Akurasi pada bagian yang kebetulan Anda perhatikan tidak mengatakan apa pun tentang bagian yang tidak Anda perhatikan.

“Siswa saya tidak tahu cukup untuk menilai keluarannya.” Itu ambang sensitivitasnya, dan itu nyata. Gousopoulos memprediksi instruksi verifikasi gagal di bawah lantai pengetahuan domain, dan mencatat bahwa sebagian domain menyediakan kriteria eksternal, fisika, kimia, ekologi, dan epidemiologi di antaranya, sementara sejarah, sastra, dan etika sebagian besar tidak. Ajarkan domainnya dan lekatkan pemeriksaannya padanya, atau harapkan pemeriksaannya menjadi ritual.

“Ini pengawasan.” Itu benar, jika Anda menilai usaha atau mengawasi cara siswa bekerja. Nilai artefaknya terhadap kunci, nyatakan umpan balik mana yang diperiksa mesin dan mana yang dinilai orang, dan jauhkan detektor dari persamaan.

Yang perlu dilakukan pekan ini

1. Tulis dua deskripsi untuk tugas Anda berikutnya: keluaran yang benar, dan keluaran yang masuk akal tetapi salah. Itulah kunci yang menjadi rujukan pemeriksaannya.

2. Tambahkan baris prediksi. Satu kalimat, ditulis sebelum alat dibuka, dibandingkan sesudahnya berdasarkan alasan domain.

3. Ganti “periksa sumber Anda” dengan “buka rekamannya dan pastikan penulis, tempat terbit, dan tahunnya”.

4. Masukkan delapan kesalahan yang ditanam ke dalam kuis yang sudah Anda berikan, dan lihat siswa mana yang menemukannya.

5. Tandai satu artefak verifikasi terhadap kunci, dan beri tahu siswa bagian mana dari pemeriksaan itu yang gagal: standarnya, prosesnya, atau keputusannya.

Ke mana selanjutnya

Memasukkan literasi AI membahas cara membangun pemahaman yang dipakai halaman ini, dan bukti literasi AI membahas berapa nilainya kerja literasi itu. Mengurangi ketergantungan berlebih menangani sisi desain bagi siswa yang bersandar pada alat, Belajar dengan AI adalah pendamping yang ditujukan kepada siswa, dan mata kuliah daring asinkron membahas versi masalah ini ketika tidak ada pertemuan kelas untuk menjadwalkan pemeriksaan. Tentang umpan balik yang diperiksa siswa, lihat Kualitas Umpan Balik AI dan risiko halusinasi.