AI Literacy dan AI Fluency

MK Teknologi dalam Pembelajaran

Rizqy Amelia Zein

Departemen Psikologi, Universitas Airlangga

2026-09-25

Agenda

  1. Mengapa AI fluency penting
  2. AI literacy vs. AI fluency
  3. Kerangka AI literacy
  4. Kerangka 4D AI Fluency
  5. Mengapa fluency menentukan hasil
  6. Diskusi: apakah AI membuat kita semakin “bodoh”?

Perlu diketahui

Mengapa AI Fluency Penting? 📉

Pendidik umumnya belum siap

  • Survei Alberta Teachers Association (Desember 2023) terhadap 2.148 guru: hanya 29.4% optimis, 37.2% khawatir akan dampak negatif AI, sisanya bersikap netral atau tidak yakin.
  • Survei EdWeek Research Center terhadap 498 guru K-12 tentang alasan tidak memakai AI di kelas: prioritas lain (46%), tidak tahu caranya (36%), tidak ada kebijakan (33%), tidak tahu cara memakainya secara efektif (30%).
  • Hambatan utamanya adalah kurangnya kompetensi, dan inilah yang coba dijawab kerangka AI literacy dan AI fluency.

AI Literacy vs. AI Fluency 🧭

Perbedaannya

AI literacy

  • Memahami cara kerja AI
  • Mengevaluasi teknologi AI secara kritis
  • 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 bercakap-cakap dengan fasih/lancar.

Mengapa “penciptaan” jadi pembeda utama

  • Rogers & Carbonaro (2025) menelusuri pergeseran serupa dalam sejarah: literasi komputer → digital fluency.
  • National Research Council (1999) menyimpulkan literasi komputer “terlalu sederhana” di tengah perubahan teknologi yang begitu cepat, lalu memperkenalkan konsep FITness (fluency with information technology).
  • Fluency = “kemampuan merumuskan ulang pengetahuan, berekspresi kreatif, dan menghasilkan informasi”.
  • Ini sejalan dengan Taksonomi Bloom Versi Revisi (Anderson & Krathwohl, 2001; Krathwohl, 2002): “mencipta” (create) adalah level kognitif tertinggi, di atas memahami dan mengevaluasi.

Implikasinya untuk pengajaran

Peserta didik tidak perlu “lulus” literasi dulu baru belajar fluency; keduanya bisa dikembangkan secara paralel.

Kerangka AI Literacy 📚

Definisi dan lima pertanyaan besar

“Seperangkat kompetensi yang memampukan seseorang untuk mengevaluasi teknologi AI secara kritis; berkomunikasi dan berkolaborasi secara efektif dengan AI; dan menggunakan AI sebagai alat, baik daring, di rumah, maupun di tempat kerja.” — Long & Magerko (2020)

Kerangka ini mengelompokkan 17 kompetensi ke dalam lima pertanyaan besar:

  1. Apa itu AI? — mengenali AI, memahami “kecerdasan”, AI “umum” vs. AI “sempit”
  2. Apa yang bisa dilakukan AI? — kekuatan dan kelemahannya, membayangkan AI masa depan
  3. Bagaimana cara kerja AI? — representasi, pengambilan keputusan, langkah-langkah machine learning, literasi data
  4. Bagaimana AI seharusnya digunakan? — etika berkolaborasi dengan AI
  5. Bagaimana manusia mempersepsikan AI? — sejauh mana AI “dianggap” bisa diprogram/dikendalikan

Bagaimana contoh penerapannya

  • “Apa itu AI?” — peserta didik mampu membedakan AI umum (general, fiksi ilmiah) dari AI sempit (narrow, yang benar-benar ada saat ini, seperti chatbot).
  • “Bagaimana cara kerja AI?” — peserta didik memahami bahwa AI “belajar dari data”, sehingga bisa mempertahankan bias yang ada di data tersebut.
  • “Bagaimana AI seharusnya digunakan?” — peserta didik mampu menimbang implikasi etis sebelum memakai AI untuk suatu tugas.

Kerangka ini awalnya dirancang untuk pendidikan K-12, tapi kompetensinya berlaku lintas jenjang pendidikan.

Kerangka 4D AI Fluency 🧭

Definisi AI fluency

Definisi

Kemampuan berkolaborasi dengan AI secara efektif, efisien, etis, dan aman (Dakan & Feller, 2025).

Kerangka ini dibangun di atas 3 modalitas interaksi manusia-AI:

  • Automation — AI mengerjakan tugas sesuai instruksi langsung manusia (mis. menulis ringkasan).
  • Augmentation — manusia dan AI bersama-sama mendefinisikan dan mengerjakan tugas secara iteratif (mis. menulis esai bersama).
  • Agency — manusia mengonfigurasi AI agar terus bekerja mandiri mewakili dirinya (mis. AI agent, chatbot tutor, karakter gim interaktif).

4️⃣D AI Fluency Framework

Catatan

Delegation dan description → efektif dan efisien; discernment dan diligence → etis dan aman.

Delegation — memilih visi dan alat yang tepat

Tiga kompetensi inti:

  1. Goal & task awareness — apa tujuan Anda berkolaborasi dengan AI? Seperti apa output yang baik dan bisa diterima?
  2. Platform awareness — AI (yang mana) bisa apa, dan apa yang tidak bisa ia lakukan?
  3. Task delegation — bagian mana yang butuh keahlian dan judgment Anda; bagian mana bisa dikerjakan AI; bagian mana paling berdampak kalau dikerjakan dengan kolaborasi?

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, AI menawarkan alternatif, Anda membuat keputusan akhir

{colwidth=“[35, 65]”}

Description — berkomunikasi dengan jernih

Kualitas output AI sangat ditentukan oleh kualitas komunikasi Anda:

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

Perlakukan AI sebagai kolaborator, bukan “jin botol”🧞

Komunikasikan dan evaluasi output AI, meskipun Anda menolaknya. Jelaskan alasannya supaya AI bisa menyesuaikan output berikutnya dalam percakapan yang sama. Ingat prinsip RLHF yang sudah didiskusikan di Pertemuan 7.

Discernment — mengevaluasi secara kritis

Cara Anda menilai output AI:

  • Product discernment — apakah output-nya: akurat? Runtut? Sesuai kebutuhan?
  • Process discernment — apakah cara AI membuat output sudah tepat? Apakah ada lompatan logika? Ada yang terlewat?
  • Performance discernment — menilai gaya interaksi AI: sudah cukup membantu, atau perlu diarahkan ulang?

Bayangkan Anda sebagai detektif🕵️‍♀️

Menemukan kesalahan pada output AI adalah bukti Anda menggunakannya dengan benar

Diligence — bertanggung jawab atas output AI

  • Creation diligence — cermat memilih sistem AI dan cara berinteraksi dengannya (data apa yang diunggah? kebijakan privasinya?).
  • Transparency diligence — terbuka soal peran AI dalam karya Anda kepada semua pihak yang perlu tahu (pembimbing, jurnal, institusi).
  • Deployment diligence — mengambil tanggung jawab penuh atas output yang Anda gunakan dan sebarkan.

Domain expertise sebagai guardrail utama

Tanpa keahlian di bidang Anda sendiri, keempat kompetensi ini sulit dijalankan: Anda tidak akan mampu menilai apakah output AI benar-benar akurat atau sekadar terdengar meyakinkan.

Mengapa Fluency Menentukan Hasil? 📊

Bukti dari 27 ribu percakapan manusia-AI

Potts & Sudhof (2026) menganalisis 26.958 transkrip percakapan manusia-AI dari WildChat-4.8M:

  • Ambisi — pengguna AI yang fasih mengerjakan tugas jauh lebih kompleks: 3.1 vs. 1.5 pada skala kompleksitas 5 poin.
  • Mode interaksi — 93% interaksi pengguna fasih bersifat augmentatif (menyempurnakan berulang kali, mengkritisi output); kurang dari 1% pada pengguna paling pemula, yang cenderung delegatif (menerima output begitu saja).
  • Paradoksnya — 64% transkrip pengguna yang fasih justru mengandung indikasi kegagalan, vs. 24% pada pengguna pemula.

Kegagalan yang visible vs. invisible

  • 59% kegagalan pengguna fasih bersifat visible — konsekuensi langsung dari sikap aktif mereka memeriksa output, dan sering berujung pada perbaikan.
  • Kegagalan pengguna pemula lebih sering invisible — percakapan tampak sukses, padahal hasilnya tidak koheren sama sekali karena tidak pernah diperiksa secara kritis.

Kesimpulannya

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

Apakah AI Membuat Kita “Bodoh”? 🧠

Cognitive offloading: manfaat dan risikonya

Cash et al. (2026) menyebutkan risiko yang timbul akibat cognitive offloading ketika manusia berkolaborasi bersama AI:

  • Cognitive offloading — “menitipkan” proses berpikir ke alat bantu, lumrah dan umumnya bermanfaat (kita juga sudah sering melakukannya sebelum AI digunakan luas dengan kalkulator, ponsel, GPS, internet).
  • Tapi keterampilan yang tidak pernah dilatih, tanpa friksi sama sekali, lama-lama akan memudar (skill decay).
  • Perlu dibedakan: skill (perilaku yang dipelajari lewat praktik) vs. kemampuan kognitif dasar (memori kerja, atensi selektif); yang pertama lebih rentan terhadap offloading, yang kedua relatif lebih tahan.

Buktinya: dokter dan alat deteksi AI

Studi endoscopist deskilling

Sebelum AI diperkenalkan, dokter mendeteksi adenoma pada 28.4% kasus. Setelah AI tersedia (meski akses ke AI-nya tidak sepenuhnya diacak), tingkat deteksi tanpa AI turun menjadi 22.4%, mengindikasikan kompetensi dokter menurun setelah terbiasa dibantu AI.

  • Studi lain: peserta yang belajar topik lewat AI (dibanding lewat mesin pencari seperti Google) menulis saran yang lebih pendek, kurang orisinal, dan dinilai kurang membantu.
    • Mereka juga menghabiskan lebih sedikit waktu belajar dan kurang merasa memiliki (ownership) pengetahuan yang diperoleh.
  • Kesimpulan penulis tidak alarmis: “terlalu dini untuk memastikan” efek jangka panjangnya, tapi risikonya tetap ada, dan besar-kecilnya bergantung pada bagaimana AI dipakai.

Menyatukan optimisme dan kehati-hatian

  • Potts & Sudhof (2026): pengguna fasih justru mendapat hasil lebih baik karena mereka aktif terlibat, bukan pasrah pada output yang disodorkan AI.
  • Cash et al. (2026): risiko deskilling muncul justru ketika keterlibatan aktif itu hilang, yaitu saat AI dipakai untuk menghindari kerja kognitif.
  • Kedua literatur ini sepakat: yang membedakan AI sebagai alat pemberdaya vs. alat yang mengikis kompetensi adalah seberapa aktif Anda terlibat dalam prosesnya. Hal ini juga merupakan inti dari discernment dan diligence dalam kerangka 4D.

Rangkuman

  • AI literacy (memahami, mengevaluasi) dan AI fluency (berkarya, berkolaborasi) dapat dikembangkan secara paralel.
  • Kerangka 4D — delegation, description, discernment, diligence, dapat menuntun kolaborasi manusia dengan AI yang efektif, efisien, etis, dan aman.
  • Penggun yanga fasih justru mendapat hasil lebih baik karena aktif terlibat, bukan pasrah begitu saja pada output AI.
  • Cognitive offloading adalah konsekuensi logis dari kolaborasi manusia-AI, tapi keterlibatan aktif adalah kunci menghindari skill decay.
  • Pertanyaan refleksi: di bidang mana Anda cukup ahli untuk menangkap kesalahan AI, dan di bidang mana Anda sebenarnya menerima output-nya tanpa dicek kembali?
  • Pertemuan berikutnya: aksesibilitas, yaitu bagaimana teknologi (termasuk AI) memperluas akses belajar.

Terima kasih!😊

Ada pertanyaan?

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

Rujukan