Kecerdasan buatan dengan cepat mengubah pengukuran pendidikan, namun potensinya bergantung pada pembangunan sistem yang tidak hanya efisien tetapi juga kredibel, adil, dan benar-benar berguna bagi siswa dan guru. Panel ahli baru-baru ini menyoroti perlunya “sabuk pengaman” – infrastruktur ilmiah yang ketat – untuk memastikan bahwa penilaian berbasis AI meningkatkan pembelajaran, bukan sekadar mempercepat permasalahan yang ada.
Pilar AI yang Bertanggung Jawab dalam Pendidikan
Kadriye Ercikan dari ETS berpendapat bahwa ada tiga prinsip yang tidak dapat dinegosiasikan: kemanjuran (apakah tujuannya tercapai?), validitas (apakah buktinya kuat?), dan keadilan (apakah hasilnya konsisten di semua kelompok siswa?). Ini berarti merancang keadilan ke dalam sistem sejak awal, daripada mencoba memperbaiki bias di kemudian hari. Tujuannya adalah beralih dari penilaian yang hanya menggambarkan status siswa (seperti termometer) menjadi penilaian yang mendorong peningkatan (seperti termostat).
Mengurangi Beban Pengujian dan Meningkatkan Utilitas
Angela Bahng dari Gates Foundation menunjukkan bahwa siswa telah menghabiskan hingga 100 jam setiap tahunnya untuk ujian, sehingga secara tidak proporsional membebani siswa kulit berwarna dan mereka yang berada di belakang tingkat kelas. Karyanya berfokus pada “kerangka kualitas produk” yang membantu sekolah memilih alat berdasarkan kegunaan sebenarnya: apakah alat tersebut mudah digunakan, dapat diandalkan, dan langsung membantu dalam pengajaran? Aplikasi AI yang sedang berkembang – seperti pengenalan suara untuk umpan balik secara real-time dan pelatih membaca AI – menunjukkan harapan, dengan bukti yang kuat diperkirakan akan muncul dalam dua hingga tiga tahun ke depan.
Melampaui Pengukuran: Menghargai Keahlian Pendidik
Michelle Odemwingie, CEO Achievement Network, berpendapat bahwa validitas bergantung pada apakah wawasan penilaian benar-benar menginformasikan tindakan guru. Kelebihan alat EdTech saat ini (lebih dari 2.700 yang digunakan) menciptakan “obesitas informasi”, yang menghambat kemampuan pendidik untuk memahami data yang terfragmentasi. Odemwingie memperingatkan terhadap sistem AI yang dengan percaya diri memberikan informasi yang tidak akurat (“omong kosong yang masuk akal”), dan menekankan bahwa sistem penilaian harus menghargai penilaian dan keahlian guru agar dapat menghasilkan nilai yang bertahan lama. Masalah intinya bukanlah masalah teknis; itu relasional.
Memprioritaskan Perkembangan Manusia Dibanding Optimasi
Gabriela López menantang bidang ini untuk melampaui kecepatan dan prediksi, merancang sistem AI yang memprioritaskan pertumbuhan siswa, agensi, dan peluang. Dia menegaskan bahwa “variabilitas manusia adalah sinyal, bukan kebisingan” – mengoptimalkan definisi yang sempit akan mengurangi akurasi dan kepercayaan. Transparansi yang sebenarnya bukanlah tentang mengekspos kode, namun tentang membantu orang memahami apa arti hasil, bagaimana menggunakannya, dan apa yang tidak dimaksudkan.
Pada akhirnya, AI dalam pendidikan harus mendapatkan kepercayaan dengan menunjukkan keterbukaan, ketelitian ilmiah, dan rasa hormat yang mendasar terhadap individu di balik data tersebut. Masa depan penilaian tidak terletak pada kecanggihan teknis saja, namun pada pembangunan sistem yang mendukung perkembangan manusia dan memberdayakan peserta didik dan pendidik.
