Dinda Maharani

230121606684

Kelas C

Harapan Proyek

Perkembangan teknologi pendidikan mendorong transformasi besar dalam proses belajar, terutama pada sistem pembelajaran terbuka seperti Massive Open Online Courses (MOOC). Dalam konteks globalisasi pendidikan, platform seperti edX menyediakan akses luas terhadap materi dari universitas ternama dunia. Namun, akses ini tidak selalu diiringi dengan kemampuan untuk memahami materi secara mendalam, terutama oleh pembelajar dari negara non-berbahasa Inggris seperti Indonesia.

Sejalan dengan pandangan Reigeluth & Carr-Chellman (2009) bahwa teknologi pendidikan harus mendukung kebermaknaan belajar dan sesuai karakteristik pengguna, proyek ini berupaya menghadirkan sistem pendamping digital yang mampu menjembatani kesenjangan bahasa dan konteks. Penelitian Guo & Reinecke (2020) menegaskan bahwa persoalan konteks budaya dan linguistik memiliki dampak signifikan terhadap keberhasilan belajar di MOOC. Sementara itu, tren AI kontemporer menunjukkan potensi adaptasi pembelajaran yang lebih personal dan fleksibel (Albert et al., 2022).

Dengan demikian, proyek ini diharapkan melampaui fungsi terjemahan biasa yakni menciptakan pembelajaran mendalam (deep learning) bagi mahasiswa Indonesia yang belajar melalui edX, dengan menyediakan bantuan adaptif, kontekstual, dan berbasis AI melalui AIDA.

Konteks Proyek

Mahasiswa Indonesia yang mengikuti kursus internasional misalnya CS50x di edX menghadapi kompleksitas konten, bahasa teknis, dan gaya penyampaian abstrak. MOOC dirancang dengan asumsi literasi digital tinggi dan kemampuan belajar mandiri yang matang. Namun pada kenyataannya, banyak mahasiswa Indonesia masih membutuhkan scaffolding belajar yang lebih intensional.

Temuan Zhu et al. (2021) menunjukkan bahwa peserta MOOC dari negara berkembang sering mengalami tingkat penyelesaian kursus yang rendah karena kesenjangan kemampuan bahasa, kurangnya dukungan lokal, dan minimnya strategi belajar terstruktur. Hal ini dipertegas oleh Bishop et al. (2020), yang menyatakan bahwa desain lingkungan belajar harus mempertimbangkan karakteristik peserta agar pembelajaran efektif.

Dengan landasan ini, proyek AIDA ditempatkan dalam konteks kebutuhan nyata mahasiswa Indonesia: memahami konsep sulit di edX melalui dukungan terjemahan kontekstual, ringkasan adaptif, latihan microlearning, dan gamifikasi.

Deskripsi Kesenjangan

Terdapat kesenjangan yang jelas antara:

1. Harapan Pembelajaran Global

• edX mengandaikan pembelajar mampu memahami bahasa akademik tingkat tinggi.
• Peserta perlu mengelola belajar mandiri secara aktif dan konsisten.

2. Realitas Pembelajar Indonesia

• Hambatan linguistik: istilah teknis, idiom akademik, kecepatan bahasa pengajar.
• Kesenjangan konteks: contoh kasus sering tidak relevan dengan konteks Indonesia.
• Minim scaffolding: tidak ada ringkasan adaptif atau rekomendasi yang personal.
• Tidak adanya dukungan lokal yang sesuai budaya dan kebutuhan pengguna.

Penelitian Kizilcec et al. (2022) menegaskan pentingnya adaptasi personal untuk meningkatkan retensi dan motivasi di MOOC. Sementara Rios & Cheng (2024) menunjukkan bahwa konteks lintas budaya mempengaruhi pemahaman peserta secara signifikan. Kesenjangan inilah yang melahirkan kebutuhan akan solusi pendamping seperti AIDA.

Uraian Solusi Proyek

Sebagai respons terhadap kesenjangan tersebut, proyek ini mengembangkan AIDA (Adaptive Intelligent Digital Assistant), sebuah sistem pendamping berbasis AI yang menyediakan:

1. Ringkasan Otomatis Adaptif

• Berbasis Natural Language Processing (NLP)
• Menghasilkan ringkasan materi video/teks dari edX
• Dikonversi ke bahasa Indonesia yang lebih mudah dipahami
• Fokus pada inti konsep dan struktur logis materi

2. Glosarium Istilah Kontekstual

• Penjelasan istilah teknis komputer/pemrograman
• Dilengkapi contoh relevan dengan konteks Indonesia

3. Microlearning Interaktif

• Kuis singkat yang dikembangkan berdasarkan progres pengguna
• Studi kasus lokal untuk memudahkan transfer konsep
• Latihan singkat berulang untuk meningkatkan retensi
  

4. Gamifikasi

• Poin, badge, dan level untuk meningkatkan motivasi
• Feedback instan berbasis penilaian otomatis

5. Pembelajaran Adaptif

• AIDA menganalisis kesulitan pengguna
• Menawarkan rekomendasi materi berikutnya
• Mengidentifikasi area miskonsepsi dengan learning analytics

Keunikan AIDA dibanding alat sejenis terletak pada integrasi adaptasi linguistik dan pedagogis, bukan sekadar terjemahan.

Rumusan Masalah Proyek

Bagaimana mengembangkan AIDA sebagai asisten digital adaptif berbasis Artificial Intelligence yang mampu membantu mahasiswa Indonesia memahami materi dan meningkatkan keterlibatan belajar pada platform edX, melalui adaptasi bahasa, konteks, dan strategi pembelajaran yang relevan secara lokal?

Tujuan Proyek

Tujuan Umum meningkatkan pemahaman dan pengalaman belajar mahasiswa Indonesia di edX dengan bantuan sistem pendamping adaptif berbasis AI.

Tujuan Khusus

1. Menyediakan ringkasan otomatis & glosarium adaptif dalam bahasa Indonesia.
2. Meningkatkan motivasi belajar melalui microlearning & gamifikasi.
3. Mengimplementasikan sistem pembelajaran adaptif berbasis learning analytics.
4. Mendukung pembelajaran mandiri yang terstruktur, ramah budaya, dan mudah diakses.
5. Membantu mahasiswa mengatasi hambatan linguistik dan konteks materi internasional.

Metodologi Pengembangan Proyek

Metode pengembangan mengikuti model ADDIE yang relevan untuk konten digital adaptif:

1. Analysis

• Analisis kebutuhan mahasiswa pengguna edX
• Identifikasi kesulitan linguistik, teknis, dan konteks
• Studi konten CS50x: skala materi, kerumitan, istilah teknis
• Menentukan fitur utama AIDA berdasarkan hambatan pengguna

Mengacu pada Reigeluth & Carr-Chellman (2009) dan Bishop et al. (2020).

2. Design

• Merancang arsitektur fitur AIDA
• Menyiapkan logika microlearning, gamifikasi, dan rekomendasi adaptif
• Mendesain struktur input-output NLP
• Membuat storyboard dan flowchart alur penggunaan

Mengacu pada Buchem & Hamelmann (2020), Dicheva et al. (2021), dan Hmelo-Silver (2019).

3. Development

• Pembuatan modul glosarium, ringkasan, dan kuis
• Penerapan algoritma NLP untuk merangkum & menerjemahkan
• Pengembangan modul interaktif berbasis Genially dan integrasi di Moodle

Mengacu pada Aljawarneh (2020) dan Kumar & Sharma (2023).

4. Implementation

• Uji coba penggunaan oleh 15–20 mahasiswa pengguna MOOC
• Mengukur efektivitas fitur adaptif
• Merekam interaksi pengguna sebagai dasar evaluasi

5. Evaluation

• Evaluasi formatif berbasis feedback pengguna
• Perbaikan fitur ringkasan, kuis, dan analitik
• Validasi akhir efektivitas AIDA dalam membantu memahami konten edX

Mengacu pada Zawacki-Richter et al. (2021) dan Wang (2022).

Referensi

Reigeluth, C. M., & Carr-Chellman, A. A. (2009). Educational Technology: A Definition with Commentary. Routledge.

Bishop, M. J., Boling, E., Elen, J., & Svihla, V. (Eds.). (2020). Handbook of Research in Educational Communications and Technology (5th ed.). Springer.

Albert, M. V., Lin, L., Spector, M. J., & Dunn, L. S. (Eds.). (2022). Bridging Human Intelligence and Artificial Intelligence. Springer.

Aljawarneh, S. (2020). Reviewing and exploring innovative ubiquitous learning tools in higher education. Education and Information Technologies, 25(5), 4689–4717.

Buchem, I., & Hamelmann, H. (2020). Microlearning for professional development: A systematic review. British Journal of Educational Technology, 51(6), 2192–2211.

Dicheva, D., Dichev, C., Agre, G., & Angelova, G. (2021). Gamification in education: A systematic review. Computers & Education, 166, 104105.

Fernandez, A., & Rios, M. (2021). Gamified digital learning using Genially: Enhancing engagement in online education. International Journal of Emerging Technologies in Learning, 16(18), 45–58.

Hmelo-Silver, C. E. (2019). Problem-based learning: What and how do students learn? Educational Psychology Review, 31(2), 569–591.

Kizilcec, R. F., Lee, H., & Maldonado, S. (2022). Personalization in MOOCs: Designing adaptive learning experiences at scale. Computers in Human Behavior, 134, 107311.

Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2021). Systematic review on artificial intelligence applications in higher education. International Journal of Educational Technology in Higher Education, 18(1), 1–27.

Zhu, M., Sari, A., & Lee, M. M. (2021). A systematic review of research trends in MOOCs: 2015–2020. Educational Technology Research and Development, 69(6), 3089–3118.

Tlili, A., Burgos, D., & Huang, R. (2022). Contextualizing learning design for inclusive digital education. Smart Learning Environments, 9(1), 14–28.

Al-Samarraie, H., & Saeed, N. (2021). A systematic review of cloud-based mobile learning frameworks. Computers & Education, 168, 104206.

Yilmaz, R. (2020). Exploring the role of e-learning readiness and motivation. Educational Technology Research and Development, 68(2), 763–782.

Wang, T. (2022). Adaptive learning in higher education: A data-driven approach. Education Sciences, 12(3), 162.

Hwang, G. J., & Chang, C. Y. (2021). Applying AI in education: Opportunities and challenges. Computers & Education, 169, 104099.

Kumar, V., & Sharma, D. (2023). Integrating NLP-based chatbots for adaptive feedback in MOOCs. Interactive Learning Environments, 31(5), 899–915.

Park, Y., & Kim, H. (2020). Design of AI-based feedback systems in online learning. Journal of Educational Computing Research, 58(7), 1343–1366.

Lin, X., & Chen, Y. (2022). Gamified adaptive learning environments: Improving motivation and performance. Educational Technology & Society, 25(1), 87–100.

Rios, M., & Cheng, J. (2024). Cross-cultural learning in MOOCs: Challenges and adaptive solutions. International Review of Research in Open and Distributed Learning, 25(2), 45–63.

Fang, Y., & Wang, L. (2023). Designing inclusive AI tools for global learners. British Journal of Educational Technology, 54(2), 254–271.

Li, J., & Sun, C. (2022). AI-assisted translation and localization in online education. Journal of Educational Technology Systems, 51(1), 22–40.

Kim, J., & Lee, S. (2025). From personalization to contextualization: The next frontier of AI in education. Computers & Education: Artificial Intelligence, 6, 100192.

Guo, P. J., & Reinecke, K. (2020). Demographics and usage patterns in MOOCs: Implications for design. Proceedings of CHI Conference on Human Factors in Computing Systems, 1–14.

Albert, M. et al. (2022). Adaptive systems in digital learning. Educational Technology & Society, 25(4), 112–130.

Kizilcec, R. F. (2020). How MOOC learners engage with course content. Computers in Human Behavior, 104, 106184.