Pengembangan Sistem Pembelajaran Berbasis Kecerdasan Buatan untuk Pendidikan Jarak Jauh
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
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
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.014 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.009 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it