Fauziah Nur Aisyah Rosyidah

230121603725

C23

Bagian I: Pendahuluan

1. Paragraf 1: Analisis Kesenjangan (Adaptive Low-Stakes Quizzing)

Transformasi digital telah mendorong masifnya implementasi Massive Open Online Courses (MOOCs), terutama pada ranah Learning Management System (LMS) domestik di Indonesia. Meskipun adopsi teknologi ini menunjukkan komitmen terhadap pendidikan terbuka, permasalahan mendasar muncul karena desain instruksional yang cenderung mengadopsi model pembelajaran linear. Harapannya, MOOC dapat memfasilitasi Self-Regulated Learning (SRL) yang efektif, di mana peserta didik dewasa yang dinamis dan menuntut validasi keterampilan cepat melalui kerangka Micro-Credentialing mampu mengendalikan, memantau, dan menyesuaikan proses belajar mereka. Namun, kondisi kenyataan menunjukkan bahwa kekakuan model linear ini secara fundamental menghambat kemampuan peserta didik dalam menerapkan prinsip SRL yang krusial. Keterbatasan fleksibilitas pengaturan waktu dan rendahnya reaktivitas konten digital dalam MOOC konvensional gagal memberikan intervensi umpan balik yang segera dan terpersonalisasi, sehingga seringkali mengakibatkan tingkat penyelesaian (completion rate) yang rendah. Kegagalan ini menunjukkan bahwa pemanfaatan teknologi MOOC domestik seringkali masih terjebak pada sekadar digitalisasi konten statis. Padahal, sebagaimana ditegaskan oleh Hokanson et al. (2018), paradigma teknologi pendidikan harus melampaui batasan ini menuju ‘Educational Technology Beyond Content’, dengan fokus pada perancangan lingkungan yang secara intensional mendukung proses belajar mendalam. Oleh karena itu, diperlukan sebuah solusi tekno-pedagogis yang sistematis seperti Adaptive Low-Stakes Quizzing berbasis Branching Scenario yang mampu mengintegrasikan umpan balik yang adaptif dan jalur belajar yang personal, demi secara konkret memperkuat mekanisme SRL peserta didik di MOOC domestik.

Bagian II: Analisis Keilmuan Pendidikan (Pedagogi)

2. Paragraf 2: Fokus Masalah & Landasan Desain (Adaptive Low-Stakes Quizzing)

Produk ini secara spesifik dirancang untuk mengatasi defisit Self-Regulated Learning (SRL) yang diakibatkan oleh lingkungan MOOC yang kaku. Fokus utama desain saya adalah menciptakan intervensi penilaian formatif yang reaktif dan personal melalui fitur teknis Adaptive Low-Stakes Quizzing berbasis Branching Scenario H5P. Fitur ini memungkinkan peserta didik yang gagal pada satu segmen kuis untuk secara otomatis diarahkan ke jalur remedial yang spesifik sesuai kesalahan, sekaligus menerima umpan balik instan yang menjelaskan alasan di balik kesalahan tersebut. Keputusan desain ini bersifat intensional; sebagaimana ditekankan oleh Bishop et al. (2020), lingkungan belajar yang efektif harus berpusat pada pembelajar (learner-centric) dan didasarkan pada prinsip-prinsip riset instruksional yang valid, di mana salah satunya adalah dukungan terhadap metakognisi. Jalur adaptif ini secara fundamental berfungsi sebagai scaffolding digital yang memfasilitasi komponen-komponen utama SRL terutama fase performance (pemantauan diri) dan self-reflection (umpan balik adaptif) (Stephens, 2024). Lebih lanjut, model ini mengadopsi prinsip Mastery Learning (Kruckenberg, 2024; Luo et al., 2024), memastikan bahwa penguasaan unit pengetahuan terjadi sebelum peserta didik melanjutkan ke unit berikutnya, sejalan dengan tuntutan kompetensi dari Micro-Credentialing. Dengan demikian, fitur teknis Branching Scenario pada proyek ini menjamin bahwa intervensi teknologi benar-benar berdampak pada capaian SRL, menjadikannya solusi desain instruksional yang koheren dan didukung riset.

3. Paragraf 3: Transformasi Teknologi & Koherensi Fitur (Adaptive Low-Stakes Quizzing)

Pengembangan Adaptive Low-Stakes Quizzing berbasis Branching Scenario H5P ini bukan sekadar digitalisasi soal, melainkan sebuah transformasi mendalam dalam praktik asesmen formatif. Koherensi fitur terletak pada jaminan linieritas validitas antara respons peserta didik dengan jalur remedial yang disarankan. Melalui branching scenario, setiap jawaban yang salah akan memicu intervensi spesifik, memastikan peserta didik hanya beralih ke unit pembelajaran berikutnya setelah menunjukkan penguasaan (Mastery Learning) pada unit sebelumnya. Pendekatan Mastery Learning yang terintegrasi ini sangat penting karena mendukung tuntutan validasi keterampilan cepat dalam konteks Micro-Credentialing (Gamage & Dehideniya, 2024; Tamoliune et al., 2023), di mana setiap modul harus secara definitif mengukur kompetensi minimum tertentu. Peran teknologi H5P dalam hal ini adalah untuk meningkatkan validitas pengukuran kinerja siswa, sejalan dengan pandangan Spector et al. (2014). Mereka menegaskan bahwa teknologi dalam evaluasi harus melampaui batas administrasi ujian, dan berfokus untuk menyediakan data diagnostik yang real-time dan adaptif. Model kuis adaptif kami mentransformasi asesmen menjadi alat self-assessment yang kuat (Ulfa et al., 2025), secara otomatis menyelaraskan (align) kinerja siswa dengan intervensi remedial yang paling sesuai. Hal ini memastikan bahwa teknologi berfungsi sebagai katalisator untuk perubahan instruksional yang substantif, bukan hanya sebagai medium penyampaian konten.

Bagian III: Analisis Keilmuan Teknologi Pendidikan (Tekno-Pedagogi)

4. Paragraf 4: Analisis “How” – Kolaborasi Manusia & Teknologi (Adaptive Low-Stakes Quizzing)

Analisis “how” produk ini bekerja sebagai solusi sistematis berpusat pada perannya sebagai mediator yang menjembatani kecerdasan instruksional manusia dengan eksekusi komputasi sistem. Kolaborasi ini terwujud melalui pembagian peran yang jelas: perancang instruksional atau dosen menyediakan kecerdasan manusia (human intelligence) dengan menyusun logika branching scenario yang kompleks dan konten umpan balik yang kaya konteks dan pedagogis. Intensi pedagogis ini kemudian diproses oleh sistem H5P: teknologi ini menyediakan kecerdasan buatan terapan (artificial intelligence in education) dengan secara otomatis mengelola, memproses respons kuis, dan mengarahkan peserta didik ke jalur belajar adaptif yang spesifik sebuah mekanisme yang tidak mungkin dilakukan secara efisien melalui interaksi manual. Model interaksi ini merupakan manifestasi nyata dari upaya “Menjembatani Kecerdasan Manusia dan AI” seperti yang didalilkan oleh Albert et al. (2021). Dalam konteks ini, meskipun sistem kuis memberikan umpan balik otomatis dan jalur remedi (Morze et al., 2021; Gabbay, 2020), kualitas intervensi tetap dikendalikan oleh keahlian pedagogis perancang. Dengan demikian, Adaptive Low-Stakes Quizzing menjadi mitra kognitif yang membebaskan perancang dari beban administrasi, memungkinkan fokus penuh pada perancangan intervensi belajar yang bermakna dan terpersonalisasi.

5. Penerapan Berpikir Komputasional (Computational Thinking)

Analisis struktural terhadap model Adaptive Low-Stakes Quizzing ini mengungkapkan penerapan prinsip Berpikir Komputasional (Computational Thinking) yang substansial melalui konsep dekomposisi masalah. Kompleksitas kurikulum MOOC domestik, yang rentan menyebabkan beban kognitif berlebih (cognitive overload) dan penurunan engagement, dipecah secara sistematis menjadi unit-unit belajar yang lebih kecil, atau yang dikenal sebagai Microlearning (Khan et al., 2025). Setiap unit Microlearning ini kemudian divalidasi oleh Branching Scenario H5P yang bertindak sebagai gerbang modularitas belajar, memastikan setiap komponen pengetahuan dikuasai sebelum maju ke tahapan berikutnya. Mekanisme ini sejalan dengan Prinsip Segmentasi Kognitif (Mayer, 2002), yang secara pedagogis menekankan pemecahan informasi menjadi bagian-bagian yang mudah diproses untuk memaksimalkan pemahaman. Sejalan dengan kerangka kerja yang dibahas oleh Rich dan Hodges (2017), desain proyek yang sistematis ini secara efektif melatih peserta didik untuk menginternalisasi pola Computational Thinking. Mereka tidak lagi memandang proses MOOC sebagai rangkaian materi linier yang pasif, melainkan sebagai serangkaian masalah diskrit dan terkelola yang harus dipecahkan dengan umpan balik algoritmik dari sistem, yang pada akhirnya menunjang efisiensi jalur belajar adaptif (Reinhard et al., 2024).

6. Definisi dan Peran Teknologi

Karya Adaptive Low-Stakes Quizzing berbasis Branching Scenario ini menegaskan posisinya yang strategis dalam disiplin ilmu Teknologi Pendidikan, melampaui fungsi sebagai sekadar alat kuis teknis semata. Hal ini sejalan dengan definisi fundamental yang dirumuskan oleh Januszewski dan Molenda (2008), yang menyatakan bahwa Teknologi Pendidikan adalah studi dan praktik etis yang bertujuan untuk memfasilitasi belajar dan meningkatkan kinerja. Produk ini mengaktualisasikan definisi tersebut melalui dua fokus utama: Pertama, ia memfasilitasi belajar dengan mengimplementasikan prinsip Mastery Learning melalui mekanisme branching scenario yang adaptif, memastikan pemahaman mendalam unit Microlearning sebelum melanjutkan, sehingga secara langsung memitigasi risiko dropout (Estrada-Molina & Fuentes-Cancell, 2022). Kedua, ia meningkatkan kinerja peserta didik dengan memperkuat Self-Regulated Learning (SRL), di mana umpan balik otomatis yang personal dan segera (Ulfa et al., 2025) berfungsi sebagai data diagnostik yang memberdayakan pembelajar untuk menyesuaikan strategi belajar mandiri mereka. Dengan demikian, proyek ini adalah sistem yang dirancang secara etis untuk mengelola proses belajar adaptif, yang secara signifikan berkontribusi pada peningkatan retensi dan akuntabilitas individu dalam konteks MOOC domestik.

Bagian IV: Tutorial Pemanfaatan Produk Proyek

7. Aksesibilitas dan Persiapan

Untuk menjamin adopsi dan keberlanjutan solusi ini, model Adaptive Low-Stakes Quizzing dikembangkan dengan infrastruktur yang sangat terbuka dan mudah diintegrasikan. Produk ini dirancang untuk beroperasi di atas Learning Management System (LMS) domestik yang bersifat open-source, seperti SPADA, melalui penyematan (embed) konten H5P (Rahadiani et al., 2023; Herdianto et al., 2021). Keputusan arsitektur teknis ini bersifat akademis, karena memungkinkan aksesibilitas yang luas melalui peramban web standar dan perangkat bergerak. Desain ini secara langsung sejalan dengan visi teknologi masa depan yang dipaparkan oleh Moller, Huett, dan Harvey (2009), yang menekankan pentingnya Ubiquitous Learning pembelajaran yang tersedia di mana saja dan kapan saja. Dengan menyediakan platform kuis adaptif yang ubiquitous, proyek ini secara efektif menghilangkan hambatan spasial dan temporal yang sering membatasi fleksibilitas belajar dalam MOOC konvensional. Ini memberdayakan peserta didik untuk terlibat dalam asesmen formatif yang adaptif, memungkinkan mereka untuk memantau kemajuan belajar mandiri di berbagai konteks lingkungan.

8. Panduan Implementasi Adaptive Low-Stakes Quizzing

Langkah Proyek 1: Generator Perencanaan Pembelajaran

Tahap operasional pertama bagi perancang instruksional/dosen adalah merancang struktur non-linear dari Adaptive Low-Stakes Quizzing. Proses ini dimulai dengan mengidentifikasi unit-unit Microlearning yang akan diuji. Di platform H5P, pengguna memilih jenis konten “Interactive Video” atau “Branching Scenario” dan mulai menyusun jalur instruksional. Setiap node pertanyaan kuis dirancang untuk memiliki umpan balik spesifik kesalahan (error-specific feedback) dan, yang terpenting, opsi pengarahan (branching) yang berbeda. Respon yang benar akan mengarahkan peserta didik ke unit materi berikutnya (penguatan Mastery Learning), sementara respon yang salah akan mengarahkan ke halaman remedi spesifik (video/teks penguatan) sebelum kembali ke tes yang sama. Logika branching yang sistematis ini berfungsi sebagai implementasi digital dari Adaptive Learning Path (Reinhard et al., 2024), yang menjamin bahwa Self-Regulated Learning (SRL) didukung oleh intervensi yang terpersonalisasi.

Langkah Proyek 2: Transformasi Asesmen

Setelah alur branching selesai dirancang dan konten umpan balik yang kaya telah dimasukkan, tahap selanjutnya adalah pembuatan Low-Stakes Quizzing. Kuis harus bersifat formatif dan memiliki nilai insentif rendah (Hobbs & Steele, 2025) untuk mendorong pengambilan risiko dan mengurangi kecemasan. Setelah konten H5P ini disimpan, sistem akan menghasilkan kode embed atau tautan. Kode ini kemudian digunakan oleh dosen untuk menanamkan (embed) kuis adaptif ke dalam lingkungan Learning Management System (LMS) domestik, seperti Moodle atau SPADA (Herdianto et al., 2021). Proses integrasi yang sederhana ini memastikan kuis adaptif dapat diakses di mana saja dan kapan saja, memungkinkan proses belajar yang fleksibel dan berkelanjutan yang sejalan dengan prinsip Ubiquitous Learning. Dengan terintegrasinya kuis adaptif, MOOC domestik secara efektif beralih dari model linear yang kaku menjadi lingkungan yang responsif dan berpusat pada perkembangan individu.

Bagian V: Penutup

9. Kesimpulan dan Dampak (Unconstrained Learning)

Sebagai simpulan, implementasi Adaptive Low-Stakes Quizzing berbasis Branching Scenario H5P menyajikan nilai strategis transformatif dengan mengubah MOOC domestik dari lingkungan yang kaku menjadi ekosistem yang responsif terhadap kebutuhan individu. Produk ini secara fundamental mengatasi masalah utama pendidikan digital—kekakuan alur belajar linear, kurangnya umpan balik yang memadai, dan tingginya tingkat attrition atau dropout (Estrada-Molina & Fuentes-Cancell, 2022; Huang et al., 2023). Dengan menghilangkan kendala-kendala struktural ini melalui jalur remedi adaptif dan umpan balik spesifik kesalahan, proyek ini secara signifikan meningkatkan potensi Self-Regulated Learning (SRL) dan mendorong completion rate. Penghilangan hambatan-hambatan administratif, teknis, dan institusional (kekakuan MOOC linear) ini secara langsung mengarah pada paradigma Unconstrained Learning sebagaimana digagas oleh Moller dan Huett (2012). Dengan demikian, sistem kuis adaptif H5P tidak hanya memfasilitasi Mastery Learning, tetapi juga membebaskan peserta didik dari model “satu ukuran untuk semua,” memungkinkan mereka untuk sepenuhnya mengendalikan ritme, kedalaman, dan jalur pembelajaran mereka, sehingga mewujudkan potensi penuh dari pendidikan jarak jauh yang berpusat pada pembelajar dan tanpa kendala.

Tentu, saya akan membantu merapikan daftar pustaka Anda sesuai dengan standar APA Style (Edisi ke-7). Daftar ini akan diurutkan secara alfabetis.

Terdapat beberapa perbaikan yang dilakukan, termasuk penulisan nama pengarang, tahun, judul jurnal/buku/prosiding, volume, nomor terbitan (issue), halaman, dan DOI/URL.

---

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.

Bishop, M. J., Boling, E., Elen, J., & Svihla, V. (Eds.). (2020). Handbook of research in educational communications and technology (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. [Tesis master tidak diterbitkan, 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.

Hokanson, B., Clinton, G., Tawfik, A. A., Grincewicz, A., & Schmidt, M. (Eds.). (2018). 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, Article 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), Article e15220.

Januszewski, A., & Molenda, M. (Eds.). (2008). Educational technology: A definition with commentary. Lawrence Erlbaum Associates.

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, Article e41413.

Kruckenberg, E. (2024). Mastery Learning Approach with Formative Assessment Process to Encourage Student Success in Mathematics Classroom. [Proyek master, 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. (Eds.). (2012). The next generation of distance education: Unconstrained learning. Springer.

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.

Rich, P. J., & Hodges, C. B. (Eds.). (2017). Emerging research, practice, and policy on computational thinking. Springer.

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. [Tesis master, 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, Article 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), Article e0293668. https://doi.org/10.1371/journal.pone.0293668