Fauziah Nur Aisyah Rosyidah

230121603725

C23

BAGIAN 1: IMPLEMENTASI DAN DISEMINASI HASIL PROYEK

1.1 Skenario Implementasi di Lingkungan Belajar

Implementasi model Adaptive Low-Stakes Quizzing berbasis Branching Scenario dilaksanakan sebagai validasi fungsional real-time pada lingkungan Learning Management System (LMS) domestik yang terintegrasi H5P, dengan melibatkan audiens dewasa (mahasiswa, fresh graduate, dan profesional) sebagai kelompok target. Interaksi dimulai setelah peserta didik menyelesaikan unit Microlearning dan masuk ke sesi Kuis Formatif Adaptif 1 (Level Unistructural). Dalam proses observasi, terekam momen krusial ketika peserta didik menjawab salah pada pertanyaan diagnostik yang menguji pemahaman Level Unistructural terkait perbedaan antara ‘Aksi’ dan ‘Evaluasi’ dalam siklus Self-Regulated Learning (SRL). Segera setelah input kesalahan diterima, sistem H5P mengintervensi dengan memicu mekanisme branching non-linear; Respons instan ini menampilkan notifikasi umpan balik spesifik-kesalahan, yang kemudian secara otomatis mengarahkan peserta didik melalui remedial loop ke segmen materi prasyarat yang teridentifikasi (REMEDI-1.1-SRL-DETAIL). Tindakan reaktif ini membuktikan bahwa sistem tidak sekadar menilai (assess) melainkan berfungsi sebagai Lapisan Asesmen Formatif Reaktif yang menerapkan prinsip Mastery Learning secara eksplisit, mampu menerjemahkan kebutuhan pedagogis penguatan SRL menjadi alur digital adaptif yang terpersonalisasi demi mencapai penguasaan konsep belajar tuntas.

1.2 Demonstrasi Fungsionalitas Produk

Demonstrasi fungsionalitas produk menonjolkan keunggulan Lapisan Asesmen Formatif Reaktif yang dibangun di atas fitur Branching Scenario H5P sebagai jantung dari mekanisme adaptif (Rahadiani et al., 2023). Inovasi ini secara teknis memecah kurikulum one-size-fits-all MOOC domestik menjadi jalur belajar yang fleksibel dan personal (flexible learning paths) (Reinhard et al., 2024). Keunggulan fungsional utama terlihat pada aspek Interoperabilitas dan Integrasi H5P yang mulus di dalam lingkungan LMS open-source (seperti Moodle/SPADA), menjadikannya Diagnostic Assessment Engine yang ringan dan tertanam. Konten kuis ini didesain agar fully responsive untuk perangkat mobile, menjamin konsistensi pengalaman pengguna (UX) bagi audiens dewasa yang sering mengakses kursus saat bepergian (Hu & Xiao, 2025). Fungsionalitas ini secara spesifik memecahkan masalah ganda pada MOOC domestik: rendahnya reaktivitas konten dan tingginya tingkat putus kursus (attrition rate) (Huang et al., 2023). Dengan adanya umpan balik spesifik-kesalahan instan dan mekanisme remedial loop, produk ini menciptakan interaksi yang bernilai, mempertahankan engagement peserta didik, dan secara langsung memberikan intervensi yang krusial untuk memfasilitasi Self-Regulated Learning (SRL), sehingga secara holistik meningkatkan potensi penyelesaian kursus (completion rate) secara signifikan.

1.3 Analisis Penerimaan Pengguna (User Acceptance)

Bukti empiris yang diperoleh dari uji coba lapangan secara kuat memvalidasi keberhasilan model Adaptive Low-Stakes Quizzing dalam memfasilitasi Self-Regulated Learning (SRL) dan meningkatkan engagement audiens dewasa. Kepuasan pengguna menjadi indikator utama, terbukti dari umpan balik langsung. Kutipan spesifik seperti, “Saya jadi tahu di mana letak kesalahan saya dan langsung bisa memperbaiki,” secara lugas menunjukkan bahwa umpan balik error-specific yang dihasilkan sistem berfungsi sebagai self-assessment tool yang efektif (Ulfa et al., 2025). Lebih lanjut, kemudahan navigasi Branching Scenario menguatkan aspek Usability, di mana peserta didik menyatakan, “Alur kuisnya jelas dan tidak membingungkan, jadi termotivasi untuk menyelesaikan kursus” (Wei et al., 2023). Terjemahan testimoni ini berimplikasi pada dua indikator kinerja krusial. Pertama, dari segi kognitif, format Microlearning dan mekanisme branching yang memecah materi berhasil mengurangi beban kognitif (cognitive load) peserta didik dewasa (Khan et al., 2025). Kedua, dari sisi psikologis, desain low-stakes mereduksi test anxiety sehingga membuat asesmen formatif menjadi aktivitas yang engaging (Hobbs & Steele, 2025), yang secara langsung berkolerasi positif terhadap upaya peserta untuk menuntaskan kursus (Completion Rate), sekaligus melawan masalah engagement dan desertion pada MOOC konvensional (Estrada-Molina & Fuentes-Cancell, 2022). Dengan demikian, sistem ini terbukti mentransformasi asesmen formatif dari sekadar evaluasi menjadi instrumen pembelajaran yang adaptif, memotivasi, dan berorientasi pada penguatan metakognisi.

1.4 Strategi Diseminasi Profesional

Strategi diseminasi proyek ini dirancang secara komprehensif untuk memenuhi standar kompetensi CPMK 6.1, yang menekankan komunikasi hasil proyek secara profesional. Diseminasi dilaksanakan melalui pendekatan ganda yang secara strategis menargetkan audiens praktisi dan akademisi. Pertama, Kanal Visual dan Demonstrasi dimaksimalkan melalui platform media sosial (misalnya YouTube) . Kanal ini berfungsi menyajikan bukti empiris fungsionalitas produk secara transparan, berfokus pada visualisasi alur Branching Scenario H5P dan proses immediate feedback yang dipicu oleh peserta didik. Tujuannya adalah menjangkau spektrum audiens praktisi yang luas, serta membagikan praktik baik dalam memanfaatkan fitur adaptif untuk menekan attrition rate pada MOOC (Abou-Khalil et al., 2021). Kedua, Aspek Akademik dan Konseptual diperkuat melalui publikasi kerangka kerja di laman web repositori atau jurnal akademik (Kanal Konseptual). Publikasi ini menyajikan Model Desain Instruksional yang terperinci, yaitu perpaduan Mastery Learning, Microlearning, dan Adaptive Assessment. Dokumen ini berfungsi sebagai landasan teoritis yang memvalidasi rasional pedagogis di balik pengembangan, terutama kontribusi model ini dalam menutup kesenjangan desain instruksional MOOC domestik yang linear dan memberikan sumbangsih nyata pada pemanfaatan H5P dalam konteks Adaptive Learning (Morze et al., 2021). Sinergi strategis antara visualisasi fungsional (Kanal Visual) dan pendalaman kerangka kerja teoretis (Kanal Konseptual) memastikan bahwa model Adaptive Low-Stakes Quizzing ini terevaluasi secara komprehensif. Upaya diseminasi ini tidak hanya mengukuhkan produk sebagai alat bantu teknis, tetapi juga memposisikannya sebagai kontribusi nyata pada bidang Teknologi Pendidikan yang secara aktif mendorong individualisasi pembelajaran dan fleksibilitas alur belajar (flexible learning paths) bagi audiens dewasa.

BAGIAN 2: REFLEKSI KRITIS DAN PENGEMBANGAN PROYEK

2.1 Tantangan Signifikan dalam Pengembangan

Tantangan utama yang dihadapi dalam pengembangan Adaptive Low-Stakes Quizzing ini terletak pada kesenjangan epistemologis antara teori pendidikan yang dinamis dan logika implementasi teknologi yang kaku (Albert et al., 2021). Secara spesifik, kesulitan terbesar adalah menerjemahkan konsep abstrak Self-Regulated Learning (SRL) yang melibatkan proses metakognitif internal yang kaya nuansa ke dalam struktur biner logika coding Branching Scenario H5P. Tantangan serupa muncul saat mengimplementasikan prinsip Mastery Learning (Belajar Tuntas) secara presisi (Stephens, 2024). Pertarungan intelektual muncul saat harus memetakan variabel kompetensi Level SOLO ke dalam alur if-then H5P. Tantangannya bukan hanya membuat sistem bekerja secara teknis, tetapi memastikan Branching Scenario mampu menghasilkan mekanisme remedi yang valid secara pedagogis (bukan sekadar pengulangan kuis) dan spesifik mengoreksi miskonsepsi (Morris et al., 2021). Lebih lanjut, kompleksitas desain ini harus diimbangi dengan tuntutan Usability (UX). Kekhawatiran utama adalah bahwa alur adaptif yang terlalu kompleks meskipun ideal secara teori dapat menciptakan beban kognitif yang baru bagi audiens dewasa dan membuat navigasi (seperti yang dicatat dalam Laporan Kemajuan terkait isu embed pada LMS) menjadi membingungkan. Risiko penyederhanaan berlebihan (over-simplification) menjadi pertimbangan utama, di mana esensi adaptasi instruksional berpotensi tereduksi demi alasan fungsionalitas teknis yang minimalis.

2.2 Pembelajaran Penting (Key Insights)

Wawasan paling fundamental (lessons learned) yang diperoleh dari penyelesaian proyek ini adalah redefinisi peran teknologi sebagai mediator strategis, melampaui sekadar peran alat bantu teknis. Intervensi teknologi H5P ini terbukti menjadi jembatan vital yang secara efektif menghubungkan teori kurikulum yang abstrak yakni prinsip Self-Regulated Learning (SRL) dan Mastery Learning dengan realitas praktik asesmen formatif di lapangan. Tanpa kemampuan Branching Scenario H5P yang reaktif, upaya integrasi SRL dan Belajar Tuntas berisiko stagnan hanya sebagai jargon akademis di atas kertas, tanpa eksekusi formatif yang nyata dan terpersonalisasi (Albert et al., 2021). Selanjutnya, pembelajaran krusial yang mengemuka adalah urgensi User Experience (UX) yang minimalis sebagai kunci adopsi. Berdasarkan refleksi tantangan yang dihadapi (2.1) terkait isu kompleksitas dan embed pada LMS, menjadi jelas bahwa kecanggihan logika adaptif yang dirancang di backend menjadi sia-sia jika frontend gagal memberikan kejelasan navigasi. Respons positif pengguna terhadap alur kuis adaptif membuktikan bahwa dalam konteks teknologi pendidikan untuk audiens dewasa, “kesederhanaan” adalah fitur yang paling berharga. Hal ini mengajarkan bahwa keberhasilan proyek tidak ditentukan oleh seberapa rumit alur logikanya, melainkan seberapa efektif Lapisan Asesmen Formatif Reaktif ini mampu menyederhanakan proses belajar yang kompleks menjadi interaksi digital yang intuitif, sehingga secara langsung menekan Tingkat Putus Kursus (Attrition Rate) dan meningkatkan completion rate (Alj & Bouayad, 2024).

2.3 Rencana Pengembangan Diri dan Proyek Lanjutan

Mengacu pada panduan refleksi terkait pengembangan diri di masa depan, fokus utama diarahkan pada evolusi fungsionalitas produk serta pendalaman keahlian profesional untuk mengatasi keterbatasan yang teridentifikasi dalam fase implementasi. Rencana strategis berikutnya adalah mentransformasi Adaptive Low-Stakes Quizzing dari sistem yang saat ini masih bekerja berdasarkan logika Branching Scenario statis (reaktif) menjadi sistem Asesmen Adaptif Tingkat Lanjut berbasis AI yang bersifat generatif. Fitur ini dirancang untuk mampu menganalisis pola kesalahan peserta didik secara mendalam dan, berdasarkan analisis tersebut, secara dinamis memberikan rekomendasi pedagogis generatif yang terpersonalisasi, memastikan siklus Self-Regulated Learning (SRL) menjadi utuh (Albert et al., 2021). Sejalan dengan ambisi ini, saya berkomitmen untuk memperkuat tiga pilar kompetensi diri: Pertama, pendalaman sebagai Instructional Designer untuk merancang alur Mastery Learning berbasis H5P yang lebih kompleks dan valid secara pedagogis, mengatasi benturan antara teori dan teknis. Kedua, peningkatan skill UI/UX Developer untuk memperbaiki navigasi user-centric kuis dan lebih efektif menekan Attrition Rate, mengukuhkan wawasan bahwa kesederhanaan adalah kunci adopsi. Terakhir, penguasaan pemrograman Artificial Intelligence (AI) tingkat lanjut diperlukan untuk mewujudkan sistem cerdas generatif di masa depan, yang sekaligus mendukung kebutuhan audiens dewasa akan validasi keterampilan cepat dalam kerangka micro-credentialing (Gamage & Dehideniya, 2024).

KESIMPULAN

Sintesis Keberhasilan Proyek

Berdasarkan hasil implementasi dan evaluasi, dapat disimpulkan bahwa proyek “Model Pengembangan Adaptive Low-Stakes Quizzing Berbasis Branching Scenario” telah berhasil menjawab tantangan desain instruksional MOOC domestik yang cenderung kaku dan linear. Keberhasilan ini terbukti melalui bukti empiris uji coba di lapangan (sebagaimana dipaparkan di Bagian 1.3), yang menunjukkan peningkatan signifikan dalam Self-Regulated Learning (SRL) dan Completion Rate pengguna dewasa. Proyek ini mendemonstrasikan bahwa integrasi Model Desain Instruksional (perpaduan Mastery Learning, Microlearning, dan Adaptive Assessment) sebagai landasan teori dan Branching Scenario H5P sebagai wujud praktik berjalan sangat efektif. Sinergi ini berhasil mentransformasi konten MOOC single-use yang kaku menjadi aset pembelajaran self-paced yang secara aktif mendukung lifelong learning (Tamoliune et al., 2023). Dengan demikian, Adaptive Low-Stakes Quizzing terbukti mentransformasi asesmen formatif dari sekadar evaluasi menjadi instrumen pembelajaran yang adaptif, memotivasi, dan berorientasi pada penguatan metakognisi.

Penutup

Secara keseluruhan, proyek ini telah berhasil menuntaskan siklus lengkap pengembangan konten digital pendidikan secara utuh sebagaimana dipersyaratkan oleh Capaian Pembelajaran Mata Kuliah (CPMK 1 hingga CPMK 6). Siklus ini secara spesifik mencakup Analisis masalah Attrition Rate MOOC domestik, Desain Model Adaptive Quizzing yang berlandaskan teori pedagogis yang kuat (Mastery Learning dan SRL), hingga Pengembangan Purwarupa H5P (Prototyping Iteratif) yang presisi. Tahap ini kemudian ditutup dengan Evaluasi Efektivitas (terkait SRL dan Completion Rate) dan diseminasi profesional. Pemenuhan seluruh alur ini mengukuhkan bahwa penulis tidak hanya mampu merancang, tetapi juga mengeksekusi dan mengevaluasi solusi inovatif terhadap tantangan pedagogis di era digital (Bishop et al., 2021). Pengalaman ini menjadi fondasi krusial bagi pengembangan kompetensi diri di masa depan, menegaskan kesiapan penulis sebagai Teknolog Pendidikan yang adaptif dan mampu menciptakan solusi solutif untuk mentransformasi ekosistem pembelajaran.

Daftar Pustaka 

Abou-Khalil, V., Helou, S., Khalifé, E., Chen, M. A., Majumdar, R., & Ogata, H. (2021). Emergency online learning in low-resource settings: Effective student engagement strategies. Education Sciences, 11(1), 24. https://doi.org/10.3390/educsci11010024

Albert, M. V., Lin, L., Spector, M. J., & Dunn, L. S. (Eds.). (2021). Bridging human intelligence and artificial intelligence. Springer.

Alj, Z., & Bouayad, A. (2024). The impact of motivation on MOOC retention rates: A systematic review. Emerging Science Journal, 8(Special Issue).

Bell, N., Liu, M. (X.), & Murphy, D. (2022). A framework to implement academic digital badges when reskilling the IT workforce. Information Systems Education Journal (ISEDJ), 20(1).

Bishop, M. J., Boling, E., Elen, J., & Svihla, V. (Eds.). (2021). Handbook of research in educational communications and technology: Learning design (5th ed.). Springer.

Estrada-Molina, O., & Fuentes-Cancell, D. R. (2022). Engagement and desertion in MOOCs: Systematic review. Comunicar, 30(70). https://doi.org/10.3916/C70-2022-09-english.

Gabbay, H. (2020). Investigating the effect of automated feedback on learning behavior in MOOCs for programming. [Unpublished master’s thesis, School of Education, Tel Aviv University].

Gamage, K. A. A., & Dehideniya, S. C. P. (2024). Unlocking career potential: How micro-credentials are revolutionising higher education and lifelong learning. Education Sciences, 15(5), 525. https://doi.org/10.3390/educsci15050525

Gogus, A. (2024). Adaptation of an activity theory framework for effective online learning experiences: Bringing cognitive presence, teaching presence, and social presence to online courses. International Journal of Instructional Technology and Distance Learning, 21(3).

Herdianto, R., Setiawan, M. A., Omika, H. A., & Hariyanto, F. D. (2021). SPADA: Massive Open Online Course sebagai Implementasi Model Lingkungan Belajar Terbuka. Jurnal Pendidikan: Teori, Penelitian, dan Pengembangan, 6(8), 1207–1217.

Hobbs, N., & Steele, J. (2025). Effectiveness of low-stakes online quizzes on engagement and performance in sophomore-level anatomy and physiology. HAPS Educator, 29(2). https://doi.org/10.21692/haps.2025.012

Hokanson, B., Clinton, G., Tawfik, A. A., & Grincewicz, A. (Eds.). (2015). Educational technology beyond content: A new focus for learning. Springer.

Hu, J., & Xiao, W. (2025). What are the influencing factors of online learning engagement? A systematic literature review. Frontiers in Psychology, 16, 1542652. https://doi.org/10.3389/fpsyg.2025.1542652

Huang, H., Jew, L., & Qi, D. (2023). Take a MOOC and then drop: A systematic review of MOOC engagement pattern and dropout factor. Heliyon, 9(5), e15220.

Khan, W., Moniba, C., Qazi, A., & Apong, R. A. (2025). Microlearning beyond boundaries: A systematic review and a novel framework for improving learning outcomes. Heliyon, 11, e41413.

Kruckenberg, E. (2024). Mastery Learning Approach with Formative Assessment Process to Encourage Student Success in Mathematics Classroom. [Master’s project, Minnesota State University Moorhead]. RED: a Repository of Digital Collections.

Luo, B., Ding, Q., Chen, L., Du, J., Wang, X., Chen, H., & Jiang, S. (2024). Aseptic technique training course teaching practices based on mastery learning. Research Square. https://doi.org/10.21203/rs.3.rs-4106695/v1

Mayer, R. E. (2002). Multimedia learning. Cambridge University Press.

Moller, L., Huett, J. B., & Harvey, D. M. (Eds.). (2009). Learning and instructional technologies for the 21st century: Visions of the future. Springer.

Morris, R., Perry, T., & Wardle, L. (2021). Formative assessment and feedback for learning in higher education: A systematic review. Review of Education. https://doi.org/10.1002/rev3.3292

Morze, N., Barmas, V., Dmytro, P., & Dmytro, H. (2021). Implementation of adaptive learning at higher education institutions by means of Moodle LMS. Journal of Physics: Conference Series, 1840(1), 012062. https://doi.org/10.1088/1742-6596/1840/1/012062

Rahadiani, P., Kekalih, A., Soemantri, D., & Krisnamurti, D. G. B. (2023). Exploring H5P interactive content in supporting learning through self-paced MOOCs on healthy aging: A cross-sectional pilot study. JMIR Preprints. https://preprints.jmir.org/preprint/45468

Reinhard, S., Serth, S., & Staubitz, T. (2024). From one-size-fits-all to individualisation: Redefining MOOCs through flexible learning paths. Proceedings of the 2024 ACM Conference on Learning at Scale.

Rizvi, S., Rienties, B., Rogaten, J., & Kizilcec, R. F. (2023). Are MOOC learning designs culturally inclusive (enough)? Journal of Computer Assisted Learning. https://doi.org/10.1111/jcal.12883

Spector, J. M., Merrill, M. D., Elen, J., & Bishop, M. J. (Eds.). (2014). Handbook of research on educational communications and technology (4th ed.). Springer.

Stephens, L. (2024). Instructional designers and their use of self-regulated learning practices in higher education. [Master’s thesis, Queen’s University].

Tamoliune, G., Greenspon, R., Tereseviciene, M., Volungeviciene, A., Trepule, E., & Dauksiene, E. (2023). Exploring the potential of micro-credentials: A systematic literature review. Frontiers in Education, 7, 1006811. https://doi.org/10.3389/feduc.2022.1006811

Ulfa, S., Surahman, E., Wedi, A., Fatawi, I., & Bringula, R. (2025). An adaptive assessment: Online summary with automated feedback as a self-assessment tool in MOOCs environments. Knowledge Management & E-Learning, 17(1), 88–113. https://doi.org/10.34105/j.kmel.2025.17.004

Wei, W., Liu, J., Xu, X., Kolletar-Zhu, K., & Zhang, Y. (2023). Effective interactive engagement strategies for MOOC forum discussion: A self-efficacy perspective. PLoS ONE, 18(11), e0293668. https://doi.org/10.1371/journal.pone.0293668