Dalam dunia teknologi pendidikan, “personalisasi” adalah kata kunci yang sering digunakan untuk mendeskripsikan perangkat lunak yang menyesuaikan tingkat kesulitan berdasarkan apakah siswa mendapat jawaban benar atau salah. Namun menurut Dr. Nicola Hodkowski, seorang peneliti terkemuka dalam pendidikan matematika, pendekatan ini pada dasarnya memiliki kelemahan. Untuk benar-benar meningkatkan penalaran matematis, AI harus bergerak lebih dari sekadar mengoreksi kesalahan dan mulai memahami cara berpikir siswa.
Pelajaran dari Kelas: Melampaui “Tunjukkan dan Ceritakan”
Perlunya perubahan ini berakar pada pengalaman praktis di kelas. Selama delapan tahun menjadi guru matematika dasar, Dr. Hodkowski menyadari bahwa metode tradisional—seperti latihan ekstra atau penggunaan manipulatif fisik—sering kali hanyalah “perbaikan yang dangkal”. Mereka mengobati gejala perjuangannya, bukan akar permasalahannya.
Terobosan terjadi ketika dia berhenti mencoba untuk “mentransfer” pengetahuan matematikanya kepada siswanya dan malah mulai membangun Second-Order Model (SOM) dari penalaran mereka.
Kekuatan Menyimpulkan Proses Berpikir
Daripada hanya melihat jawaban yang salah, Dr. Hodkowski mulai mencari logika di balik kesalahan tersebut. Dia belajar membedakan berbagai tahapan kognitif, seperti:
– Menghitung dengan satuan: Siswa yang menghitung setiap individu “1” untuk menyelesaikan suatu masalah.
– Menghitung dengan satuan gabungan: Siswa yang memahami kelompok (misalnya berhitung 2, 5, atau 10).
Dengan mengidentifikasi “unit” mana yang digunakan siswa untuk mengoperasikannya, dia dapat merancang aktivitas spesifik untuk menjembatani kesenjangan antara pemahaman mereka saat ini dan tingkat kompleksitas berikutnya.
Hasilnya: Pergeseran pedagogi ini menyebabkan lompatan dramatis dalam prestasi siswa. Di kelasnya, persentase siswa yang mendapat nilai pada tingkat “Mahir” atau “Lanjutan” melonjak dari 58% menjadi 85% dalam satu tahun—jauh melampaui pertumbuhan yang terlihat di sekolah dan distriknya.
Kesenjangan Teknologi AI Saat Ini
Meskipun pendekatan yang berpusat pada manusia ini berhasil, alat pendidikan yang berbasis AI saat ini masih mengalami kegagalan. Sebagian besar platform yang ada beroperasi dengan model “urutan pertama”: mereka mengidentifikasi kesalahan dan kemudian memberikan solusi “tunjukkan dan beri tahu”—yang pada dasarnya memandu siswa melalui langkah-langkah yang benar.
Hal ini gagal karena matematika bukanlah soal transmisi sederhana. Mempelajari konsep baru memerlukan transformasi konseptual, yaitu siswa harus menghubungkan ide-ide baru dengan kerangka mental yang sudah ada. Jika AI tidak dapat menyimpulkan mengapa seorang siswa mengalami kebuntuan, AI tidak dapat memfasilitasi transformasi tersebut.
Peta Jalan untuk Masa Depan EdTech
Untuk beralih dari penilaian sederhana ke instruksi matematika asli, Dr. Hodkowski berpendapat bahwa pengembang AI harus memprioritaskan pedagogi adaptif siswa. Dia menguraikan tiga pilar penting untuk alat AI generasi berikutnya:
- Menyimpulkan Alasan yang Mendasari: Algoritma tidak boleh hanya menandai jawaban yang salah; mereka harus membedakan antara operasi mental yang berbeda (misalnya, mengidentifikasi apakah siswa kesulitan dengan nilai tempat versus penjumlahan dasar).
- Panduan Transformasi Konseptual: Daripada memberikan petunjuk yang mengarah pada jawaban cepat, AI harus menghasilkan tugas yang dengan sengaja menantang cara berpikir siswa saat ini, dan mendorong mereka ke arah penalaran tingkat tinggi.
- Mendukung Wawasan Guru: AI harus bertindak sebagai “mitra reflektif” bagi para pendidik, memberikan mereka data yang dapat ditindaklanjuti tentang kondisi kognitif siswa untuk menginformasikan perencanaan pembelajaran yang lebih baik.
Kesimpulan
Masa depan pendidikan matematika terletak pada pergerakan melampaui personalisasi tingkat permukaan. Agar AI dapat menjadi kekuatan transformatif, AI harus berhenti bertindak seperti kunci jawaban digital dan mulai bertindak seperti seorang guru yang mampu memahami nuansa pemikiran manusia.
