Berkolaborasi dengan Akal Imitasi

Pengantar AI Fluency untuk Mahasiswa Magister Psikologi

Rizqy Amelia Zein

Departemen Psikologi, Universitas Airlangga

Research Data and Methods Team, Center for Advanced Internet Studies (CAIS)

2026-09-25

Agenda

  1. Apa sebenarnya akal imitasi? — model statistik, agentic AI, dan embodied AI
  2. Bagaimana orang memakai AI? Bukti dari riset
  3. Pengantar AI Fluency Framework — mengapa fluency menentukan kualitas output
  4. Kesimpulan dan take-away message dari saya

Perlu diketahui

Mungkin kursus ini juga menarik?

Sebelum mulai… 🙋‍♀️

Angkat tangan kalau dalam seminggu terakhir Anda:

  1. Menggunakan AI chatbot (mis. ChatGPT, Claude, Gemini, Copilot, Kimi, DeepSeek, dll.) minimal sekali
  2. Menggunakannya untuk tugas-tugas yang berkaitan dengan perkuliahan atau pekerjaan
  3. Menggunakannya untuk urusan di luar kuliah dan pekerjaan (mis. minta resep masakan, curhat, menyusun rencana liburan, dsb.)
  4. Pernah mendapati AI memberikan jawaban yang salah, tapi nada jawabannya sangat meyakinkan

Ingat-ingat jawaban Anda tadi

…nanti kita cocokkan dengan data penggunaan AI secara global.

Apa Sebenarnya Akal Imitasi? 🤖

Artificial intelligence alias “akal imitasi”

  • Banyak orang menerjemahkan artificial intelligence sebagai “kecerdasan buatan”, sehingga publik mengira AI benar-benar cerdas
  • Padahal chatbot AI adalah model statistik dengan output teks (“large language model”) yang meniru proses dan produk kognisi manusia (“bahasa alami”)
  • Frasa akal imitasi mengingatkan kita pada dua hal sekaligus:
    • Teks output large language model (LLM) terasa alami seperti tulisan manusia karena kualitasnya memang sangat meyakinkan
    • Tapi LLM bukan manusia, sehingga tidak punya pemahaman dalam arti manusiawi, niat, apalagi tanggung jawab
  • Konsekuensinya: yang bertanggung jawab atas output teks AI adalah kita sebagai penggunanya

AI tidak ujug-ujug diciptakan

  • 1950-an–1980-an — AI simbolik: manusia menuliskan aturan logikanya satu per satu (expert systems)
  • 1990-an–2000-an — machine learning: mesin belajar pola dari data, bukan lagi dari aturan eksplisit (mis. spam filter)
  • 2010-an — deep learning: jaringan saraf tiruan berlapis yang terinspirasi cara kerja otak; terobosan besar dalam pengenalan gambar dan suara, lalu pemrosesan bahasa alami (natural language processing, NLP)
  • 2017 — arsitektur transformer diperkenalkan dan menjadi fondasi hampir semua LLM modern
  • 2022 — OpenAI merilis ChatGPT (berbasis GPT-3.5); AI generatif menjadi fenomena massal

Model Statistik di Balik Layar

Large language model (LLM) pada intinya adalah model statistik raksasa dengan output teks yang menjawab satu pertanyaan:

“Berdasarkan semua kata dalam percakapan sejauh ini, kata apa yang paling mungkin muncul berikutnya?”

Klik di sini ➡️ AnimatedLLM

Transformer dan mekanisme attention

Terobosannya adalah mekanisme attention: setiap kata bisa “memperhatikan” semua kata lain dalam kalimat untuk menentukan maknanya.

  • “Bisa ular itu amat mematikan” vs. “Saya bisa datang besok”
    • “Bisa” adalah kata yang sama dengan makna berbeda (yaitu homonim)
  • Model bahasa generasi sebelumnya membaca kata satu per satu secara berurutan; saat pelatihan, transformer memproses seluruh kalimat sekaligus, secara paralel
  • Paralelisme inilah yang memungkinkan pelatihan model yang jauh lebih besar (mis. Kimi 3 dengan 2,8 triliun parameter)

Bagaimana LLM “dibesarkan”?

Dua tahap utama:

  1. Pre-training — model membaca miliaran dokumen dan belajar memprediksi kata berikutnya
    • Hasilnya: base model yang menguasai pola bahasa, pengetahuan umum, bahkan penalaran, tapi belum bisa menjadi “asisten”
  2. Fine-tuning (termasuk reinforcement learning from human feedback, RLHF) — model dilatih mengikuti instruksi, menjawab dengan sopan, dan menolak permintaan yang tidak patut, apalagi berbahaya
    • Hasilnya: chatbot seperti ChatGPT, DeepSeek, atau Claude yang Anda kenal sekarang

Analogi proses psikologisnya

Pre-training ≈ pemerolehan bahasa dan pengetahuan; fine-tuning ≈ sosialisasi, yaitu belajar norma tentang bagaimana menggunakan kemampuan itu.

Optimasi LLM

Sumber: Ghali et al. (2024)

Kemampuan AI meningkat drastis karena…

  1. Arsitektur — model transformer (2017) yang bisa diskalakan
  2. Data — teks digital dalam volume luar biasa besar di internet
  3. Hardware/Komputasi — GPU dan investasi besar-besaran pada AI data center

Emergent capabilities

Gabungan ketiganya memunculkan fenomena emergent capabilities, yaitu kemampuan yang muncul begitu saja setelah model melewati ukuran tertentu, tanpa pernah diprogram secara eksplisit (menerjemahkan, menulis kode, penalaran berantai…)

Chatbot, reasoning model, agent, dan embodied AI

Empat tahap perkembangannya:

  • Chatbot — merespons pesan Anda satu per satu (ChatGPT-3.5, 2022)
  • Reasoning models — “berpikir” langkah demi langkah dulu sebelum menjawab (mis. model-model “frontier” seperti Opus 5, Kimi 3, GPT-5.6 Sol, Fable 5, dsb.)
  • AI agent — merencanakan dan mengeksekusi tugas multi-langkah secara mandiri atas nama penggunanya, misalnya menjelajah web, memakai aplikasi, menulis dan menjalankan kode pemrograman Yang et al. (2025)
  • Embodied AI — akal imitasi yang diberi “tubuh”: robot yang “ditanami” LLM

Embodied AI

Sumber: Fung et al. (2025)

Apa keterbatasan AI?

  • Halusinasi — menghasilkan output yang salah secara faktual, tetapi dengan nada yang sangat meyakinkan, termasuk mengarang referensi ilmiah
  • Knowledge cutoff — pengetahuannya berhenti di tanggal tertentu; kejadian terbaru tidak diketahuinya, kecuali dilengkapi fitur pencarian web
  • Context window terbatas — working memory-nya bisa penuh; percakapan dan dokumen yang sangat panjang terpaksa terpotong, tidak selesai diproses
  • Penalaran yang rapuh — LLM bisa memberikan jawaban yang sama sekali berbeda ketika prompt-nya diubah sedikit saja dari pola data pelatihannya
  • Sycophancy — cenderung memberikan jawaban yang menyenangkan pengguna, alih-alih mengoreksi kesalahan pengguna

Untuk Apa AI Digunakan? 📊

Adopsi teknologi tercepat dalam sejarah

Chatterji et al. (2025), penggunaan ChatGPT dalam skala besar:

  • Juli 2025: ±700 juta pengguna mingguan ≈ 10% populasi dewasa dunia, dengan 18 miliar pesan per minggu
  • Kesenjangan gender pengguna awal (didominasi laki-laki) menyempit drastis
  • Pertumbuhan justru lebih tinggi di negara berpendapatan rendah

Konsekuensinya

Kemampuan berkolaborasi dengan AI akan menjadi keterampilan dasar, seperti halnya literasi digital.

Untuk apa orang menggunakannya?

Temuan dari Chatterji et al. (2025):

  • Penggunaan non-pekerjaan tumbuh lebih cepat daripada penggunaan AI untuk pekerjaan: dari 53% (2024) menjadi >70% (2025) dari seluruh pesan
  • Hampir 80% percakapan masuk ke tiga kategori besar:
    • Practical guidance — tutoring, saran how-to, brainstorming ide (kategori terbesar)
    • Seeking information — menggantikan mesin pencari
    • Writing — menulis dan menyunting; 40% dari pesan terkait pekerjaan
  • Menariknya: ⅔ pesan pada tugas writing meminta AI mengolah teks penggunanya (menyunting, mengkritik, menerjemahkan), bukan benar-benar menulis dari nol
  • Manfaat utamanya: decision support
    • AI sebagai teman berpikir untuk pekerjaan yang berkaitan dengan produksi pengetahuan

Tren terbaru: penggunaan AI agent

Yang et al. (2025) melakukan field study pertama tentang AI agent (Comet Assistant, Perplexity):

  • Dua topik terbesar: productivity & workflow dan learning & research, total 57% dari seluruh query
  • Konteks penggunaan: 55% personal, 30% profesional, 16% pendidikan
  • Early adopters-nya: pekerja sektor digital dan padat pengetahuan, termasuk akademisi
  • Seiring waktu, pengguna bergeser ke tugas-tugas yang membutuhkan kapasitas kognitif yang lebih besar

Mengapa perlu belajar sekarang

Pesan saya untuk Anda sebagai mahasiswa magister psikologi:

  • AI sudah jadi bagian dari infrastruktur akademik; pertanyaannya tinggal bagaimana memakainya dengan efektif, efisien, etis, dan aman
  • Pelajari sekarang, selagi alatnya masih relatif murah dan sederhana

AI digunakan dalam riset psikologi

Hommel & Arslan (2025)

AI digunakan dalam riset psikologi

Wright et al. (2026)

AI digunakan dalam riset psikologi

Russell-Lasalandra et al. (2024)

Pengantar AI Fluency Framework 🧭

AI literacy vs. AI fluency

Rogers & Carbonaro (2025) membedakan dua jenjang kompetensi:

AI literacy

  • Memahami cara kerja AI
  • Mengevaluasi teknologi AI
  • Tahu risiko dan batasannya

AI fluency

  • Berkarya dan berinovasi dengan AI
  • Memecahkan masalah bersama AI
  • Mengelola penggunaannya secara etis

Analoginya seperti belajar bahasa: literacy = bisa membaca; fluency = bisa berbincang dengan lancar.

Bagian awal presentasi tadi fokusnya adalah literacy; sisa sesi ini membahas fluency.

Definisi AI fluency

Kemampuan berkolaborasi dengan AI secara efektif, efisien, etis, dan aman (Bent et al., 2026).

Mengapa fluency menentukan hasil?

Potts & Sudhof (2026) menganalisis 27 ribu transkrip percakapan manusia–AI:

  • Pengguna yang fasih mengerjakan tugas yang jauh lebih kompleks (rata-rata 3,1 vs. 1,5 pada skala 5)
  • Pengguna fasih bersikap augmentative dalam kolaborasi: berulang kali menyempurnakan, mempertajam tujuan, dan mengkritisi output
  • Sebaliknya, pengguna pemula bersikap pasif: menerima begitu saja rencana dan jawaban AI

Paradoksnya: pengguna fasih justru mengalami lebih banyak kegagalan (misalnya menolak output AI), tapi kegagalan mereka visible, karena mereka aktif memeriksa, dan lebih sering berujung pada perbaikan output.

Kegagalan pemula justru invisible. Artinya, percakapan tampak berhasil memberi jawaban, padahal hasilnya meleset dan tidak koheren sama sekali.

Kesimpulannya

Fluency menentukan apakah AI di tangan Anda menjadi produsen AI slop atau asisten yang bisa diandalkan.

3️⃣ mode kolaborasi dengan AI

Bent et al., 2026 mengidentifikasi tiga cara kita melibatkan AI:

  • Automation — AI mengerjakan tugas spesifik sesuai instruksi Anda
    • “Terjemahkan abstrak ini ke bahasa Indonesia”
  • Augmentation — Anda dan AI berkolaborasi sebagai mitra berpikir
    • “Ayo kita bedah kelemahan desain penelitian saya satu per satu”
  • Agency — Anda mengonfigurasi AI untuk bekerja mandiri atas nama Anda
    • “Setiap ada artikel baru tentang topik X, ringkas isinya dan kirimkan ringkasannya ke email saya setiap pagi”

Riset menunjukkan mode yang paling produktif untuk pekerja pengetahuan adalah augmentation, yaitu AI sebagai mitra berpikir (thought partner) (Potts & Sudhof, 2026).

Automation vs. Agency

Sumber: Shao et al. (2025)

4️⃣D AI Fluency Framework

Catatan

Delegation dan description → efektif dan efisien; discernment dan diligence → etis dan aman. Hari ini kita mendalami tiga yang terakhir. Materi 4D diadaptasi dari kursus AI Fluency: Framework & Foundations, Bent et al., 2026.

Delegation secara singkat

Sebelum meminta chatbot melakukan sesuatu, tanyakan 3️⃣ hal ini pada diri Anda sendiri:

  1. Problem awareness — apa sebenarnya tujuan saya berkolaborasi dengan AI? Seperti apa output teks yang baik dan bisa saya terima?
  2. Platform awareness — AI (yang mana) bisa apa, dan apa yang ia tidak bisa lakukan?
  3. Task delegation — bagian mana yang butuh keahlian dan judgment saya; bagian mana yang bisa dikerjakan AI; bagian mana yang paling berdampak kalau dikerjakan bersama?

Contoh untuk tesis Anda:

Tugas Delegasi
Merumuskan pertanyaan penelitian Anda (AI boleh menjadi mitra diskusi)
Memoles bahasa akademik naskah AI, lalu Anda sunting
Menginterpretasi hasil analisis AI dan Anda bersama-sama, AI menawarkan alternatif, Anda yang membuat keputusan akhir

Description: Berkomunikasi dengan Jernih 🗣️

AI tidak bisa membaca pikiran Anda

Kualitas output AI sangat ditentukan oleh kualitas komunikasi Anda. Tiga komponen description:

  • Product description — apa yang Anda inginkan: bentuk output, format, audiens, gaya, dst.
  • Process description — bagaimana sebaiknya AI mengerjakannya: metode, kerangka, urutan langkah
  • Performance description — bagaimana AI harus “bersikap” selama kolaborasi: ringkas atau rinci? Menantang atau suportif? Bertanya dulu atau langsung eksekusi?

Ilustrasi dibuat dengan GPT-5.5

Perlakukan AI sebagai kolaborator, bukan “jin botol”🧞

Komunikasikan dan evaluasi output AI, meskipun Anda menolak output dari percakapan tersebut. Jelaskan alasannya supaya AI bisa menyesuaikan output berikutnya dalam percakapan yang sama.

6️⃣ teknik prompt engineering

  1. Berikan konteks — apa yang Anda inginkan, untuk apa, dan latar belakang yang relevan
  2. Tunjukkan contoh — perlihatkan gaya atau format output yang Anda harapkan dari AI
  3. Tetapkan batasan — format, panjang, cakupan, dan apa yang tidak boleh
  4. Pecah tugas kompleks menjadi langkah-langkah kecil — pandu penalaran AI dalam mengerjakan tugas secara bertahap
  5. Minta AI berpikir dulu (planning mode) — beri ruang untuk menalar sebelum menjawab lalu beri feedback agar output semakin presisi
  6. Tentukan peran atau gaya bicaranya (persona) — misalnya sebagai dosen pembimbing yang teliti dan kritis, atau tutor yang sabar

🗝️ Tips: Anda bisa minta AI memperbaiki prompt Anda.

Contoh: “Sebelum menjawab, tolong sarankan dulu bagaimana permintaan dan instruksi ini bisa saya tulis dengan lebih jelas.”

Contoh prompt engineering yang efektif

Automation 😞

Buatkan tiga halaman tinjauan pustaka tentang depresi untuk tesis saya.

Augmentation 😊

Kamu adalah asisten riset yang kritis dan teliti. Saya mahasiswa S2 psikologi yang sedang menyusun proposal tesis tentang depresi pada mahasiswa magister.

Bantu saya menyusun kerangka tinjauan pustaka (bukan isi lengkapnya):
1. Identifikasi 4-6 tema besar yang lazim dibahas dalam literatur
   depresi (misalnya: pengukuran, prediktor, intervensi).
2. Untuk tiap tema, tuliskan 2-3 pertanyaan yang perlu dijawab
   tinjauan pustaka saya.
3. Sarankan istilah pencarian (bahasa Inggris) untuk tiap tema.

Perhatikan batasan ini: jangan mengarang referensi yang tidak pernah ada. Kalau tidak yakin, terbuka saja bilang tidak yakin. Kalau konteks dari saya masih kurang detail,
berikan pertanyaan sebelum mulai tugasnya. Jangan selalu setuju dengan argumen saya; berperanlah sebagai devil's advocate.

Discernment: Mengevaluasi Secara Kritis 🔍

Sisi lain dari percakapan

Discernment adalah cara Anda menilai output yang diberikan AI. Komponennya:

  • Product discernment — menilai output-nya: akurat? Runtut? Sesuai kebutuhan dan audiens?
  • Process discernment — menilai bagaimana cara AI membuat output: ada lompatan logika? Ada yang terlewat? Penalarannya keliru?
  • Performance discernment — menilai gaya interaksi AI: apakah gaya interaksinya membantu, atau perlu diarahkan ulang?

Description dan discernment lalu membentuk feedback loop: describe → discern → perbaiki deskripsi → discern lagi… sampai hasilnya benar-benar sesuai dengan standar Anda.

Waspadai “kegagalan” yang tidak terlihat 👻

Ingat temuan Potts & Sudhof (2026):

  • Kegagalan pengguna pemula bersifat invisible — percakapan tampak sukses, penggunanya puas, padahal hasilnya tidak koheren sama sekali karena tidak pernah diperiksa secara kritis
  • Dalam konteks akademik, invisible failure itu wujudnya: referensi fiktif di naskah Anda, salah baca hasil statistik, klaim teori yang keliru, yang baru ketahuan saat dibaca pembimbing atau reviewer
  • Pengguna yang lebih fasih berkolaborasi dengan AI lebih sering menemukan kegagalan karena mereka aktif mencarinya

Bayangkan Anda sebagai detektif🕵️‍♀️

Menemukan kesalahan AI adalah bukti Anda menggunakannya dengan benar.

Domain expertise adalah aset

Discernment paling mudah dilakukan di ranah yang Anda kuasai:

  • Anda tahu bedanya mediasi dan moderasi; Anda kenal instrumen-instrumen standar di bidang Anda; Anda bisa mendeteksi klaim kausal yang berlebihan
  • Maka strategi yang masuk akal: gunakan AI lebih intens di ranah yang Anda kuasai (karena mudah Anda verifikasi), dan paling hati-hati di ranah yang baru (karena sulit Anda verifikasi)
  • Untuk ranah yang baru: minta sumbernya, cek silang, atau konfrontasi: minta AI agent lain mengkritik output AI agent yang pertama

Ironisnya, justru godaan terbesar memakai AI adalah menggunakannya untuk hal-hal yang tidak kita pahami, persis di titik discernment kita paling lemah.

Menggunakan AI dan ancaman deskilling

  • Cognitive offloading — “menitipkan” proses berpikir ke alat bantu.
    • Ini proses yang lumrah dan umumnya sangat bermanfaat (Risko & Gilbert, 2016).
    • Tapi keterampilan yang tidak pernah dilatih, tanpa friksi sama sekali, lama-lama akan hilang (deskilling/skill decay; Cash et al., 2026)
  • Akibatnya berbahaya: makin sering mendelegasikan hal yang belum Anda kuasai → makin lemah kemampuan Anda menilai hasilnya → makin bergantung pada AI → makin tidak mampu membedakan mana teks yang koheren dengan yang tidak
  • Studi magister Anda adalah kesempatan membangun expertise yang justru membuat AI berguna. Pakai AI untuk meningkatkan pengalaman dan proses belajar; minta ia menguji pemahaman dan menantang argumen Anda.

Syarat kolaborasi yang baik

Kolaborasi manusia–AI hanya bisa:

  • Efektif — kalau Anda cukup mahir untuk mengarahkan AI
  • Efisien — kalau Anda cukup mahir untuk memverifikasi dengan cepat output teks AI
  • Etis — kalau Anda mampu mempertanggungjawabkan output teks AI
  • Aman — kalau Anda cukup mahir untuk menangkap kesalahan dalam output AI sebelum merugikan diri Anda sendiri dan orang lain

Domain expertise sebagai guardrail utama

Tanpa expertise, keempat syarat tadi sulit dipenuhi dan AI kembali menjadi “jin dalam botol”🧞.

Diligence: Bertanggung Jawab atas Output AI ⚖️

Tiga bentuk tanggung jawab

  • Creation diligence — cermat memilih sistem AI dan cara berinteraksi dengannya
    • Data apa yang Anda unggah? Bagaimana kebijakan privasinya?
  • Transparency diligence — terbuka soal peran AI dalam karya Anda kepada semua pihak yang perlu tahu
    • Pembimbing, kolaborator, jurnal, institusi: ekspektasinya bisa berbeda-beda, cek kebijakan yang berlaku di UNAIR
  • Deployment diligence — mengambil tanggung jawab penuh atas output yang Anda gunakan dan sebarkan
    • Kalau Anda mengklaim output teks AI sebagai karya Anda, maka Anda yang harus menjamin kualitas isinya

Creation diligence untuk peneliti psikologi

  • Jangan pernah mengunggah data partisipan yang bisa diidentifikasi (transkrip wawancara, data mentah beridentitas) ke sistem AI yang kebijakan privasi/pengelolaan datanya tidak Anda ketahui dengan pasti
    • Ini pelanggaran etika penelitian
  • Periksa dulu apakah sistem AI yang Anda pakai menggunakan input Anda untuk melatih modelnya
  • Pikirkan dua kali sebelum mengunggah dokumen-dokumen berikut ini ke sistem AI: naskah yang belum terbit, ide penelitian yang belum dibuat publik, dokumen internal institusi
  • Pilihan yang lebih aman: anonimkan dulu, pakai data sintetis untuk contoh, atau pilih sistem AI dengan jaminan privasi data pengguna yang jelas

Transparency diligence: diligence statement

Praktik yang baik: sertakan diligence statement dalam karya hasil kolaborasi dengan AI. Contoh templatnya:

“Dalam menyusun [naskah/proposal] ini, saya berkolaborasi dengan [nama AI] untuk [tugas spesifik: menyunting bahasa, menyusun kerangka, dll.]. Seluruh konten yang dihasilkan atau dikembangkan bersama AI telah saya tinjau dan evaluasi dengan cermat. Hasil akhirnya mencerminkan pemahaman, keahlian, dan intensi saya. Saya bertanggung jawab penuh atas isi, akurasi, dan penyajiannya.”

  • Selalu cek kebijakan yang berlaku: banyak jurnal kini mewajibkan pengungkapan penggunaan AI dan hampir semuanya melarang AI menjadi penulis
  • Kalau Anda ragu, solusinya sederhana: lebih baik terbuka sejak awal

Deployment diligence: Anda penanggung jawab akhirnya

  • Setiap klaim, angka, dan referensi dalam karya Anda adalah tanggung jawab Anda
  • Verifikasi sebelum karya hasil kolaborasi dengan AI Anda serahkan atau sebarkan:
    • Semua referensi benar-benar ada dan isinya sesuai dengan yang diklaim
    • Semua angka dan hasil statistik dicek ke sumber aslinya
    • Argumen intinya bisa Anda pertahankan sendiri dalam ujian atau diskusi

Cek dulu…✅

Kalau pembimbing bertanya “coba jelaskan paragraf ini” dan Anda tidak bisa menjawab, maka paragraf itu tidak boleh ada di naskah Anda.

Kesimpulan 🎯

Yang perlu Anda bawa pulang

  • Kuncinya: jangan menerima output AI secara pasif. Keterlibatan aktif inilah yang membedakan AI sebagai asisten dari AI sebagai “jin botol”🧞 (Potts & Sudhof, 2026)
  • Domain expertise Anda yang membuat Anda sulit digantikan AI; makin mahir Anda sebagai ilmuwan psikologi, makin baik kolaborasi Anda dengan AI

Pertanyaan untuk dibawa pulang: di bagian mana dari studi magister Anda, AI paling berisiko membuat Anda berhenti berpikir sendiri?

Ingat, AI fluency tidak datang dari satu kuliah matrikulasi😄. Ia tumbuh lewat praktik yang dilakukan berulang-ulang secara reflektif.

🧩 Aktivitas: Uji AI dengan topik yang paling Anda kuasai

Buka chatbot di ponsel/laptop Anda:

  1. Pilih satu konsep psikologi yang benar-benar Anda kuasai dari skripsi atau pekerjaan Anda
  2. Minta AI menjelaskan konsep itu dalam tiga versi (contohnya: untuk orang awam, untuk mahasiswa S1, untuk sesama peneliti)
  3. Nilai output AI dengan 3️⃣ sudut pandang:
    • Product: apakah ada kesalahan fakta atau konsep?
    • Process: apakah penalarannya runtut? Ada yang terlewat?
    • Performance: apakah penyesuaian audiensnya sudah tepat?
  4. Beri umpan balik atas versi terlemah dan minta AI memperbaikinya

Klik di sini untuk mengumpulkan tugas di Padlet.

🏠 Take-away message dan PR dari saya

Dalam seminggu ke depan, susun strategi Anda dalam berkolaborasi dengan AI selama berkuliah di Prodi S2 Psikologi. Dalam menyusun strategi ini, Anda bisa menggunakan AI sebagai mitra diskusi Anda.

Renungkan 4️⃣ poin di bawah:

  1. Kapan (dan untuk apa) saya akan — dan tidak akan — menggunakan AI selama studi magister?
  2. Batasan apa yang saya tetapkan untuk data dan informasi sensitif?
  3. Bagaimana saya memverifikasi karya yang dibantu AI sebelum diserahkan ke dosen?
  4. Bagaimana saya mengungkapkan penggunaan AI kepada dosen pembimbing?

Referensi

  • Bent, D., Dakan, R., Feller, J., & Vo, M. (2026). AI fluency: Framework & foundations [Kursus daring]. Anthropic. https://anthropic.skilljar.com/ai-fluency-framework-foundations
  • Cash, T. N., Kelly, M. O., Macnamara, B. N., & Risko, E. F. (2026). Is AI making us stupid? Trends in Cognitive Sciences. https://www.sciencedirect.com/science/article/pii/S1364661326001312
  • Chatterji, A., Cunningham, T., Deming, D., Hitzig, Z., Ong, C., Shan, C., & Wadman, K. (2025). How people use ChatGPT [Working paper]. OpenAI/NBER.
  • Fung, P., Bachrach, Y., Celikyilmaz, A., et al. (2025). Embodied AI agents: Modeling the world. arXiv. https://arxiv.org/abs/2506.22355
  • Ghali, M.-K., Farrag, A., Sakai, H., El Baz, H., Jin, Y., & Lam, S. (2024). GAMedX: Generative AI-based medical entity data extractor using large language models. arXiv. https://arxiv.org/abs/2405.20585
  • Hommel, B. E., & Arslan, R. C. (2025). Language models accurately infer correlations between psychological items and scales from text alone. Advances in Methods and Practices in Psychological Science. https://doi.org/10.1177/25152459251377093
  • Potts, C., & Sudhof, M. (2026). A paradox of AI fluency [Technical report]. Bigspin AI.
  • Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688.
  • Rogers, T., & Carbonaro, M. (2025). From understanding to creating: Bridging AI literacy and AI fluency in K-12 education. Journal of Teaching and Learning, 19(4), 20–38.
  • Russell-Lasalandra, L. L., Christensen, A. P., & Golino, H. (2024). Generative psychometrics via AI-GENIE: Automatic item generation and validation with network-integrated evaluation. PsyArXiv. https://doi.org/10.31234/osf.io/fgbj4
  • Shao, Y., Zope, H., Jiang, Y., Pei, J., Nguyen, D., Brynjolfsson, E., & Yang, D. (2025). Future of work with AI agents: Auditing automation and augmentation potential across the U.S. workforce. arXiv. https://arxiv.org/abs/2506.06576
  • Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008.
  • Wright, A. G. C., Ringwald, W. R., Vize, C. E., Eichstaedt, J. C., Angstadt, M., Taxali, A., & Sripada, C. (2026). Assessing personality using zero-shot generative AI scoring of brief open-ended text. Nature Human Behaviour.
  • Yang, J., Yonack, N., Zyskowski, K., Yarats, D., Ho, J., & Ma, J. (2025). The adoption and usage of AI agents: Early evidence from Perplexity [Working paper].

Terima kasih!😊

Ada pertanyaan?

Paparan disusun dengan menggunakan dan Quarto dengan template dari UNAIR Theme.