UMKLAUMKLA

JKTI Jurnal Keilmuan Teknologi InformasiJKTI Jurnal Keilmuan Teknologi Informasi

Peningkatan adopsi teknologi Generative Artificial Intelligence (GenAI) pada bidang Pendidikan memicu kekhawatiran global terkait potensi menurunnya kognitif serta hilangnya kemandirian analitis mahasiswa. Dilain sisi, mayoritas penelitian terdahulu menggunakan pendekatan One-Size-Feels-All yang mengeneralisasi dampak kecerdasan buatan tanpa mempertimbangkan heterogenitas perilaku spesifik dari penggunanya. Hal tersebut menjadi Gap Research untuk penelitian yang dilakukan dengan mengusulkan Hybrid Machine Learning untuk memprediksi fluktuatif metrik Skill Retention Score. Algoritma K-Means diimplementasikan untuk membagi data, yang dilanjutkan pemodelan prediktif menggunakan CatBoost Regressor melalui interpretasi Explainable AI (SHAP). Hasil segmentasi membuktikan eksistensi profil yaitu: klaster 0 (The Heavy Dependent), Klaster 1 (The Traditional User). Berdasarkan kedua Klaster temukan bidang STEM merupakan bidang teratas dalam penggunaan kecerdasan buatan dengan tujuan untuk debugging code komputasional. Evaluasi model ditemukan bahwa variable perilaku adopsi AI mendikte degradasi keterampilan secara signifikan hanya pada pengguna ekstrem (R2 = 0.3131), dibandingkan pengguna konvensional (R2 = 0.1797). Lebih lanjut, analisis nilai Shapley menemukan AI terbukti aman sebagai asisten pendukung atau asisten belajar jika skala tergantungan masih di skala 1-6, namun jika penggunaan diatas 6 akan mempengaruhi retensi kognitif. Dengan kata lain analisis nilai Shapley secara krusial berhasil mengisolasi keberadaan titik kritis (tipping point) dari fenomena cognitive offloading. Meskipun begitu pelarangan penggunaan AI secara total ditemukan tidak efektif untuk menyelamatkan skor retensi akademik. Sehingga diperlukan transisi regulasi institusional terdahap adopsi kecerdasan buatan yang lebih adaptif, akuntabel serta secara khusus pada demografi beresiko tinggi yaitu bidang STEM.

Penelitian menemukan dampak GenAI terhadap retensi keterampilan belajar bersifat asimetris dan tidak dapat digeneralisasi, dengan Hybrid Machine Learning dan K-Means mengungkap kerentanan kognitif ekstrem pada mahasiswa STEM.Evaluasi model CatBoost dengan SHAP mengidentifikasi tipping point pada skala ketergantungan psikologis.penggunaan AI pada skala 1-6 aman sebagai asisten, namun di atas 6 menyebabkan kerusakan kognitif.Karena keterbatasan data sekunder global, penelitian selanjutnya disarankan menggunakan data primer dan pemantauan longitudinal untuk memperkuat temuan serta menyesuaikan regulasi institusional yang adaptif pada bidang STEM.

Penelitian selanjutnya dapat menyelidiki bagaimana pola penggunaan GenAI memengaruhi retensi keterampilan mahasiswa dengan mengumpulkan data primer longitudinal dari beberapa institusi, sehingga dapat mengidentifikasi dinamika perubahan kompetensi selama waktu tertentu. Selanjutnya, perlu dikembangkan model pembelajaran mendalam yang menggabungkan data tabular dan teks prompt mahasiswa melalui teknik NLP untuk memprediksi ambang batas cognitive offloading secara lebih akurat dan adaptif. Akhirnya, efek intervensi kebijakan institusional, seperti regulasi adaptif yang membatasi penggunaan AI pada skala tertentu, dapat dievaluasi melalui desain eksperimental untuk menilai dampaknya terhadap mitigasi offloading kognitif pada mahasiswa STEM, memberikan dasar empiris bagi perumusan kebijakan pendidikan yang responsif.

Read online
File size1.05 MB
Pages6
DMCAReport

Related /

ads-block-test