Dalam satu kelas, siswa bisa membutuhkan dukungan yang berbeda. Ada yang cepat memahami konsep setelah melihat contoh, ada yang perlu mencoba beberapa soal, dan ada pula yang membutuhkan penjelasan ulang tentang materi prasyarat. Learning Management System (LMS) berbantuan kecerdasan buatan atau AI dapat membantu guru mengenali kebutuhan tersebut melalui aktivitas belajar siswa. Namun, memahami gaya belajar bukan berarti memasukkan setiap anak ke dalam kotak tetap seperti “visual” atau “auditori”. Yang lebih berguna adalah melihat strategi, format materi, dan tingkat bantuan apa yang bekerja untuk siswa pada topik tertentu.
Data Apa yang Diperhatikan AI di LMS?
Ketika siswa belajar melalui LMS, sistem dapat mencatat hasil kuis, jenis kesalahan, jumlah percobaan, materi yang dibuka, dan perkembangan dari waktu ke waktu. AI kemudian mencari pola pada data tersebut. Misalnya, siswa yang berulang kali keliru saat mengerjakan pecahan mungkin membutuhkan penguatan konsep dasar, bukan sekadar lebih banyak soal dengan tingkat kesulitan yang sama.
Durasi mengerjakan tugas juga dapat menjadi petunjuk, tetapi tidak boleh ditafsirkan sendirian. Waktu yang panjang mungkin menunjukkan kebingungan, tetapi bisa pula disebabkan koneksi internet yang lambat, gangguan di rumah, atau siswa yang mengerjakan dengan teliti. Karena itu, rekomendasi yang baik menggunakan beberapa indikator sekaligus dan tetap memberi ruang bagi guru serta siswa untuk menjelaskan konteksnya.
Dari Pola Aktivitas Menjadi Rekomendasi
AI di LMS bekerja paling bermanfaat ketika ia menghubungkan data dengan tujuan pembelajaran yang jelas. Setelah sebuah kuis, misalnya, sistem tidak hanya menampilkan nilai 70. Ia dapat menunjukkan bahwa siswa sudah menguasai penjumlahan pecahan berpenyebut sama, tetapi masih kesulitan mencari penyebut bersama. Berdasarkan temuan itu, LMS dapat menyarankan penjelasan singkat, contoh bertahap, lalu latihan yang menargetkan kesalahan tersebut.
Rekomendasi juga dapat berubah mengikuti kemajuan siswa. Jika latihan dasar sudah dikuasai, sistem menawarkan soal penerapan. Jika siswa masih kesulitan, sistem memberi petunjuk tambahan atau mengajak meninjau materi prasyarat. Dengan cara ini, pengalaman belajar menjadi lebih adaptif tanpa mengunci siswa pada satu jalur selamanya.
Contoh di Ruang Kelas
Bayangkan dua siswa memperoleh nilai kuis sains yang sama. Siswa pertama keliru karena belum memahami istilah penting, sedangkan siswa kedua memahami istilahnya tetapi kesulitan menerapkan konsep pada soal cerita. Nilai akhir saja tidak memperlihatkan perbedaan itu. LMS yang menganalisis pola jawaban dapat menyarankan glosarium dan latihan kosakata bagi siswa pertama, sementara siswa kedua mendapat contoh penerapan dalam situasi sehari-hari. Guru lalu memeriksa apakah saran tersebut sesuai sebelum menjadikannya bagian dari kegiatan kelas.
Menghindari Mitos Gaya Belajar yang Kaku
Istilah “gaya belajar” sering dikaitkan dengan anggapan bahwa seseorang hanya akan berhasil jika materi selalu disajikan dalam satu format favoritnya. Anggapan ini terlalu menyederhanakan proses belajar. Preferensi siswa memang penting untuk kenyamanan dan keterlibatan, tetapi preferensi tidak selalu menunjukkan cara paling efektif untuk memahami suatu konsep.
Karena itu, AI sebaiknya tidak memberi label permanen seperti “siswa visual” lalu hanya menampilkan video atau gambar. Pilihan materi perlu mengikuti kebutuhan topik dan hasil belajar yang teramati. Diagram mungkin membantu menjelaskan siklus air, sementara latihan menulis argumen tetap penting saat siswa belajar menyampaikan pendapat. Memberikan beberapa cara untuk mengakses materi juga bermanfaat bagi aksesibilitas, tanpa harus menganggap satu format cocok untuk semua keadaan.
Peran Guru Tetap Menentukan
AI dapat merangkum pola dari banyak aktivitas, tetapi guru memahami hal-hal yang sering tidak terlihat dalam data: suasana kelas, perubahan motivasi, hambatan bahasa, dan kondisi pribadi siswa. Dasbor LMS sebaiknya membantu guru menjawab pertanyaan seperti “Konsep mana yang perlu diajarkan ulang?” atau “Siapa yang membutuhkan pendampingan?”, bukan mengeluarkan keputusan yang harus diterima tanpa pemeriksaan.
Siswa pun perlu memiliki suara. Jika rekomendasi terasa terlalu mudah, terlalu sulit, atau tidak sesuai dengan kebutuhannya, ia sebaiknya dapat menyampaikan umpan balik. Percakapan antara guru dan siswa membuat personalisasi lebih tepat daripada sekadar mengikuti prediksi sistem.
Privasi dan Keadilan Tidak Boleh Diabaikan
Data belajar siswa bersifat sensitif. Sekolah perlu menjelaskan data apa yang dikumpulkan, untuk tujuan apa, siapa yang dapat mengaksesnya, dan berapa lama data disimpan. Pengumpulan sebaiknya dibatasi pada informasi yang benar-benar diperlukan. Keamanan akun, pengaturan akses, serta prosedur penghapusan data juga harus menjadi bagian dari penerapan LMS.
Selain itu, sekolah perlu memeriksa apakah rekomendasi AI merugikan kelompok tertentu. Siswa dengan koneksi terbatas, kebutuhan aksesibilitas, atau kebiasaan belajar yang berbeda tidak boleh otomatis dianggap kurang mampu. Hasil rekomendasi perlu ditinjau secara berkala, terutama bila sistem digunakan untuk menyarankan tingkat kesulitan atau menentukan siapa yang mendapat bantuan tambahan.
Memulai dengan Langkah yang Masuk Akal
Sekolah tidak harus langsung mempersonalisasi seluruh pelajaran. Mulailah dari satu tujuan yang terukur, misalnya membantu siswa menguasai materi prasyarat matematika. Guru dapat menetapkan indikator pemahaman, menyediakan beberapa bentuk penjelasan dan latihan, lalu membandingkan perkembangan siswa sebelum dan sesudah rekomendasi digunakan. Perhatikan juga apakah siswa merasa terbantu, bukan hanya apakah mereka lebih sering mengklik materi.
Pada akhirnya, AI di LMS memahami siswa melalui pola yang terus diperbarui, bukan dengan menebak identitas belajar yang tetap. Jika dipakai secara transparan, aman, dan berada di bawah pengawasan guru, teknologi ini dapat membantu setiap siswa memperoleh dukungan yang lebih tepat pada saat ia membutuhkannya.
