UAS-4 My Knowledge

Struktur Kognitif Edu-Verse: Peta Pengetahuan untuk Literasi Global

Untuk membangun Masterpiece The Adaptive Learning Engine, saya tidak bisa hanya mengandalkan insting teknis. Saya memerlukan landasan epistemologis yang kuat. Pengetahuan adalah deskripsi bahasa tentang realitas.

Oleh karena itu, saya menyusun struktur pengetahuan ini menggunakan Klasifikasi Taksonomi Bloom yang dipetakan ke dalam dua jenis peta pengetahuan utama.

1. Peta Pengetahuan Primitif (Primitive Knowledge Map)

Ini adalah “Badan Pengetahuan” inti dari sistem saya. Fokusnya adalah pada pengetahuan deklaratif (fakta dan definisi) yang menjadi fondasi sistem. Tanpa memahami definisi ini, solusi tidak mungkin dibangun.

  • Level 1 (Mengingat):
    • Definisi Literasi: Kemampuan mengidentifikasi, memahami, menafsirkan, membuat, dan mengomunikasikan menggunakan bahan cetak dan tertulis.
    • Definisi AI: Simulasi kecerdasan manusia dalam mesin yang diprogram untuk berpikir seperti manusia.
  • Level 2 (Memahami):
    • Klasifikasi Gaya Belajar: Visual, Auditori, Kinestetik.
    • Prinsip Cloud Computing: Penyediaan sumber daya komputasi (server, penyimpanan, database) melalui internet (“the cloud”).

Peta ini menjawab pertanyaan “Apa” dari masalah buta huruf dan teknologi yang saya gunakan.

2. Peta Pengetahuan Aplikatif (Problem-Solving Map)

Ini adalah peta yang bersifat dinamis dan berorientasi proses. Peta ini memandu bagaimana The Adaptive Learning Engine bekerja memecahkan masalah langkah demi langkah. Ini mencakup level Bloom yang lebih tinggi:

  • Level 3 (Menerapkan):
    • Prediksi Kebutuhan: Sistem memprediksi bahwa siswa yang gagal menjawab soal “A” kemungkinan besar belum paham konsep dasar “B”.
  • Level 4 (Menganalisis):
    • Diagnosa Gap: Mengurai alasan mengapa siswa di daerah 3T kesulitan mengakses materi video (analisis bandwidth vs kompresi data).
  • Level 5 (Sintesis):
    • Personalisasi Konten: Menyusun elemen materi (teks + gambar) menjadi modul baru yang sesuai dengan kecepatan belajar siswa tersebut.
  • Level 6 (Evaluasi):
    • Validasi Pemahaman: Menilai apakah siswa sudah benar-benar paham atau hanya menebak jawaban (deteksi gaming the system).
  • Level 7 (Mencipta):
    • Agensi Baru: Merancang jalur belajar baru (learning path) yang unik bagi setiap individu.

Peta ini menjawab pertanyaan “Bagaimana” teknologi mengubah siswa dari buta huruf menjadi berdaya.

3. Resolusi Paradoks: “The Anti-Answer Constraint”

Dalam merancang AI Tutor ini, saya menghadapi Paradoks Pendidikan Rekayasa: Bagaimana kita menggunakan AI yang pintar tanpa membuat manusianya menjadi bodoh?

Jika AI Tutor langsung memberikan jawaban setiap kali siswa bertanya, maka AI menjadi semakin pintar, tetapi siswa tetap tidak berdaya. Agensi siswa akan mati.

Untuk menyelesaikan ini, saya menerapkan prinsip pedagogis “Anti-Answer Constraint” dalam algoritma AI saya: 1. Dilarang Memberi Jawaban Langsung: Agen AI Decision-making dilarang memberikan solusi instan. 2. Wajib Memberi Scaffolding: AI diwajibkan memberikan clue atau pertanyaan pancingan yang memicu Penalaran Otobiografis siswa.

Contoh interaksi sistem: * Siswa: “Apa jawaban soal ini?” * AI Tutor (Salah): “Jawabannya adalah B.” * AI Tutor (Benar/Valoraize): “Coba perhatikan paragraf kedua. Apa yang terjadi pada tokoh utama? Kekuatan apa yang bisa kamu gunakan untuk menyimpulkannya?”

Dengan struktur pengetahuan ini, teknologi tidak menggantikan proses berpikir, melainkan memprovokasi siswa untuk menjadi Protagonis-Penulis atas pembelajaran mereka sendiri.