Pengembangan Sistem Pembelajaran Berbasis Kecerdasan Buatan untuk Pendidikan Jarak Jauh
Notice bibliographique
Résumé
Perkembangan pendidikan jarak jauh menuntut adanya inovasi teknologi yang mampu meningkatkan kualitas dan efektivitas pembelajaran. Kecerdasan buatan (Artificial Intelligence/AI) menjadi salah satu solusi potensial dalam menjawab tantangan tersebut melalui pembelajaran yang adaptif, personal, dan berbasis data. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem pembelajaran berbasis AI yang dirancang untuk mendukung pendidikan jarak jauh secara efektif dan beretika. Metode penelitian yang digunakan adalah penelitian dan pengembangan (Research and Development) dengan pendekatan mixed methods, yang meliputi analisis kebutuhan, perancangan sistem, pengembangan prototipe, implementasi terbatas, serta evaluasi sistem. Hasil penelitian menunjukkan bahwa sistem pembelajaran berbasis AI mampu meningkatkan personalisasi pembelajaran, keterlibatan peserta didik, serta kualitas umpan balik pembelajaran. Selain itu, penelitian ini mengidentifikasi pentingnya penerapan prinsip etika, transparansi, dan perlindungan data dalam penggunaan AI di bidang pendidikan. Dengan demikian, sistem pembelajaran berbasis AI berpotensi menjadi solusi strategis dalam meningkatkan kualitas pendidikan jarak jauh apabila diterapkan secara bertanggung jawab dan terintegrasi dengan kebijakan institusional yang tepat
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,009 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».