7 hours ago
1
(MI/Seno)
SAAT ini tampak nyata kecenderungan mahasiswa untuk tidak lagi berpikir keras ketika ditugasi menyusun gagasan. Melalui kecerdasan artifisial (AI), kerangkanya tersedia dalam hitungan detik. Sintesis awal, sebagai hasil penyusunan dan pemaknaan berbagai informasi menjadi satu bangunan gagasan, dapat dikerjakan mesin. Hasilnya tampak kukuh, dan sepintas yang tersisa hanyalah menilai apakah ia layak dipercaya. Namun, kemampuan menilai itu justru lahir dari kerja menyusun yang telah diambil alih oleh AI. Pada titik itulah keberlanjutan fungsi pendidikan tinggi untuk melahirkan generasi yang mampu berpikir kritis dan kreatif dipertaruhkan.
Selama ini AI diperdebatkan dalam dua kutub: ancaman yang memicu kemunduran kapasitas berpikir atau pendongkrak produktivitas seseorang. Keduanya melewatkan pertanyaan yang lebih mendasar: apa yang berubah dalam cara orang membangun gagasan dan pengetahuan ketika mesin dapat melakukan sintesis awal?
Pertanyaan itu kini urusan kebijakan. Maret lalu, tujuh menteri menandatangani keputusan bersama tentang pemanfaatan AI di dunia pendidikan. Untuk pendidikan dasar dan menengah, pedomannya terperinci, bahkan sampai memuat tabel zona penggunaan; untuk pendidikan tinggi, ia berhenti pada kerangka kerja dan prinsip pokok yang menjadi acuan penyusunan kebijakan bagi perguruan tinggi. Dosen wajib menerapkan model evaluasi hasil belajar mahasiswa yang bebas dari pengaruh negatif AI generatif dan disebut sebagai genaiproof. Penjabarannya diserahkan ke kampus masing-masing.
URUTAN YANG MENENTUKAN
Kekhawatiran tentang kemunduran kapasitas berpikir bukan tanpa dasar. Studi Nataliya Kosmyna dan koleganya di MIT Media Lab, yang hingga kini belum melalui telaah sejawat, merekam aktivitas otak 54 partisipan penulis esai. Konektivitas saraf menurun seiring dengan meningkatnya bantuan AI. Pada sesi lanjutan yang diikuti 18 partisipan, kelompok yang beralih dari AI ke tanpa AI tetap menunjukkan konektivitas yang rendah. Yang muncul bukan pemahaman, melainkan ilusi kompetensi: cakap di permukaan, rapuh secara konseptual.
Namun, penelitian yang sama menunjukkan sisi lain. Partisipan yang menyusun gagasan mereka sendiri sebelum membuka AI menunjukkan daya ingat dan aktivasi otak yang lebih kuat jika dibandingkan dengan mereka yang sejak awal bersandar pada mesin. Alat yang sama, dampak berlawanan. Yang membedakan bukan AI-nya, melainkan urutan keterlibatannya. Dari sinilah perubahan paradigma penggunaan AI di pendidikan tinggi perlu dipertimbangkan.
DUA TINGKAT SINTESIS
Saya mencirikan perubahan itu dengan nomenklatur next level synthesis (NLS) atau sintesis tingkat lanjut. AI kini sanggup mengambil alih sintesis tingkat pertama: mengumpulkan dan menghubungkan informasi, menyusun pola, serta membangun kerangka pemaknaan. Dari situ lahirlah sintesis awal. NLS tidak menyerahkannya begitu saja. Orang merumuskan sintesis awalnya sendiri terlebih dahulu, lalu menyusun perintah terarah (directed prompt) sebagai pemantik sintesis mesin. Dari situ ia berpindah ke tingkat berikutnya: mempertentangkan rumusannya sendiri dengan keluaran mesin, menelusuri asumsi yang gugur, lalu merumuskan sintesis baru yang tidak terdapat dalam keluaran mesin. Dengan cara itu, NLS mendorong orang untuk selalu selangkah di depan AI.
NLS bukan penamaan ulang jenjang tertinggi taksonomi Bloom, tangga jenjang belajar yang lazim dipakai di dunia pendidikan, melainkan soal siapa yang menapaki tangganya dan dengan cara apa. Bloom mengandaikan bahwa tangga itu ditapaki sendiri: analisis dan kreasi muncul setelah mengingat dan memahami. Kini anak tangga bawah dilompati mesin. Mungkinkah kemampuan merumuskan sintesis baru tumbuh pada seseorang yang belum pernah menjalani sintesis tingkat pertama sendiri? Sulit dibayangkan. Kemampuan itu bukan pengganti kerja menyusun, melainkan buahnya: hanya yang pernah menyusun sendiri yang punya sesuatu untuk dipertentangkan dengan keluaran mesin.
KETIKA MESIN KELIRU TANPA TERLIHAT
Dalam tahapan NLS, yang perlu diantisipasi ialah potensi terjadinya kekeliruan AI dalam menghasilkan sintesis awal. Kekeliruan AI biasanya tidak tampak seperti kekeliruan. Seorang mahasiswa meminta AI menyusun analisis dampak kebijakan upah minimum di suatu daerah. Hasilnya rapi, runtut, dan enak dibaca. Namun, analisis itu diam-diam mengandaikan bahwa sebagian besar pekerja di daerah tersebut berada di sektor formal, padahal kenyataannya sebaliknya. Mesin tidak berbohong; ia hanya menggunakan asumsi yang lazim dan tidak menyebutkannya. Yang dapat menangkap kekeliruan itu hanyalah orang yang sudah lebih dulu menyusun sendiri gambaran ketenagakerjaan daerah tersebut sebab hanya ia yang memiliki sesuatu untuk dibandingkan.
Pola yang sama berlaku di ranah yang lebih teknis. AI diminta untuk memformulasikan persamaan dinamika. Hasilnya konsisten secara dimensi dan meyakinkan, tetapi gagal memenuhi perilaku batas ketika salah satu parameternya didorong menuju nol. Kekeliruan itu hanya dikenali yang pernah membangun persamaan serupa sejak awal sebab kemampuan menguji kasus batas itu lahir selama sintesis, bukan sesudahnya. Yang menemukannya cenderung melangkah lebih jauh: menelusuri asumsi fisis yang diam-diam gugur, lalu merumuskan ulang persamaan itu.
Persoalan kekeliruan itu lebih pelik daripada halusinasi mesin yang ramai dibicarakan. Halusinasi, berupa rujukan yang dikarang atau angka yang tidak pernah ada, justru relatif mudah ditangkap: cukup ditelusuri ke sumbernya dan ketahuan bahwa sumbernya tidak ada. Kedua contoh di atas bukan halusinasi. Mesin tidak mengarang apa pun, hanya memilih satu asumsi yang lazim tanpa menyebutkannya. Tidak ada sumber yang dapat ditelusuri untuk membantahnya sebab yang keliru bukan datanya, melainkan pijakannya.
MENILAI PROSES, BUKAN HASIL
Kekeliruan yang tidak terlihat itu berdampak fatal ketika mahasiswa tidak mampu menangkapnya secara kritis dan meneruskan keluaran mesin sebagai dasar pekerjaan berikutnya. Dalam surat keputusan bersama tujuh menteri tercatat bahwa 68% mahasiswa rutin menggunakan AI untuk tugas, sementara 40% di antaranya tidak yakin tentang batas-batas etisnya. Angka yang sudah cukup menjadi alasan untuk mengantisipasi efek domino tersebut.
Kekhawatiran itu memang sudah dijawab sebagian: keputusan bersama tersebut mewajibkan mitigasi terhadap penurunan kemampuan berpikir kritis. Yang belum dijawab: tahap berpikir mana yang harus dilalui sendiri agar mitigasi itu bekerja. Di sinilah tantangan sesungguhnya bagi pendidikan di era AI. Budaya penilaian pun belum berubah. Mahasiswa dinilai berdasarkan hasil akhir, bukan alasan mengapa ia menerima, mengubah, atau menolak sintesis awal mesin.
Karena itu, yang perlu dibangun ialah literasi kognitif baru: kemampuan untuk berpikir bersama AI dalam kerangka NLS. Keputusan bersama menteri sudah menyediakan pedomannya meski hanya untuk bab pendidikan dasar dan menengah: penilaian atas draf awal, jurnal refleksi, dan presentasi lisan yang mengharuskan peserta didik menjelaskan alur pikirannya. Di situlah jebakannya. Ambil contoh zona kuning, kategori yang mengizinkan pemakaian AI secara terbatas. Pada tugas esai, AI boleh menyusun ide dan kerangka, dan hanya dilarang menulis paragraf. Mesin justru dipersilakan masuk ke tahap penggagasan, yang menurut pola temuan tadi merupakan titik paling menentukan. Menyalinnya ke ruang kuliah berarti mewarisi urutan yang keliru.
NLS membaliknya dengan menempatkan hubungan manusia-mesin sebagai proses dialektik: mahasiswa merumuskan tesisnya sendiri sebelum membuka AI, memperlakukan sintesis mesin sebagai antitesis, lalu mempertanggungjawabkan sintesis barunya. Yang dinilai bukan seberapa jauh pendapatnya berubah, melainkan kualitas pertentangan yang ia kelola. Gesekan itulah yang melahirkan sintesis baru, sekaligus menandai berlangsungnya proses kognitif yang kreatif. Di situlah model evaluasi menjadi genaiproof: bukan karena AI dibatasi atau bahkan dilarang, melainkan karena penilaiannya jatuh pada tahap yang tidak dapat didelegasikan.
Wujud praktis genaiproof tidak rumit. Sebuah tugas dapat meminta empat berkas sekaligus: pertama, rumusan awal mahasiswa sebelum ia membuka AI; kedua, keluaran mesin apa adanya; ketiga, uraian tentang bagian mana yang ia terima, ubah, atau tolak beserta alasannya; serta keempat, sintesis baru yang didapatkannya. Penilaian jatuh pada berkas ketiga dan keempat. Dosen tidak perlu menebak apakah AI digunakan sebab pemakaiannya justru diminta secara terbuka. Yang berubah bukan aturan pemakaian AI, melainkan letak penilaiannya.
AI dapat mengambil alih sintesis pertama, tetapi tidak dapat mengambil alih tanggung jawab untuk merumuskan apa yang belum ada di dalamnya. Itulah hakikat NLS: kenaikan tingkat berpikir itu nyata, tetapi bersyarat. Syaratnya, orang harus menjalani sendiri sintesis tingkat pertama sebab dari situlah lahir kemampuan untuk menilai keluaran mesin. Justru tahap itulah yang paling mudah diserahkan kepada mesin. Keberlanjutan fungsi pendidikan tinggi bergantung pada apakah syarat tersebut masih dijalani atau sudah lama dilompati. Karena itu, pertanyaannya bukan apakah AI membuat mahasiswa lebih pintar atau lebih bodoh, melainkan: di tingkat berpikir mana mahasiswa memilih untuk berhenti?
