Di kelas matematika, tiga anak mengerjakan topik yang sama.
Satu anak sudah sampai soal keenam.
Satu masih di soal ketiga.
Satu lagi berhenti cukup lama pada soal pertama.
Di layar, sistem belajar adaptif memberi respons berbeda.
Untuk anak pertama, soal berikutnya dibuat lebih menantang.
Untuk anak kedua, sistem memberi contoh tambahan.
Untuk anak ketiga, muncul petunjuk kecil sebelum ia mencoba lagi.
Kelihatannya ideal.
Setiap anak belajar dengan kecepatannya sendiri.
Tetapi guru tetap berjalan mendekat.
“Kamu berhenti karena soalnya sulit atau karena instruksinya nggak jelas?”
Anak ketiga menjawab:
“Yang ini aku ngerti. Aku cuma bingung maksud pertanyaannya.”
Sistem melihat jeda panjang.
Guru melihat alasan di balik jeda.
Inilah hal penting ketika AI digunakan untuk menyesuaikan pelajaran dengan kecepatan anak.
Teknologi dapat membantu mengatur tingkat kesulitan, jumlah latihan, format penjelasan, atau urutan materi berdasarkan interaksi siswa. Potensinya besar. UNICEF pada 2025 bahkan menjalankan dan mempelajari pilot adaptive digital textbooks yang dirancang untuk meningkatkan inklusi, termasuk bagi siswa dengan disabilitas.
Tetapi personalisasi tidak boleh berubah menjadi otomatisasi keputusan tentang kemampuan anak.
AI bisa menyesuaikan langkah.
Manusia tetap perlu memahami perjalanan.
Kecepatan belajar bukan identitas
Anak yang lambat pada satu topik belum tentu lambat pada semua hal.
Ada yang cepat memahami pola tetapi membutuhkan waktu lebih lama membaca instruksi.
Ada yang kuat pada visual tetapi perlu penjelasan tambahan ketika konsep terlalu abstrak.
Ada yang biasanya cepat tetapi hari itu lelah.
Ada yang membutuhkan lebih banyak waktu karena bahasa pengantar bukan bahasa yang paling kuat baginya.
Sistem adaptif melihat data.
Jumlah salah.
Waktu menjawab.
Hint yang digunakan.
Skor.
Data itu berguna.
Tetapi jangan mengubahnya menjadi label:
“Anak lambat.”
“Anak cepat.”
“Anak lemah.”
“Anak unggul.”
Lebih aman menggunakan bahasa sementara:
“Pada topik ini, anak membutuhkan lebih banyak dukungan.”
Atau:
“Dalam latihan ini, anak sudah siap mendapat tantangan tambahan.”
Kata-kata semacam ini memberi ruang perubahan.
Anak berkembang.
Sistem belajar juga harus memberi ruang untuk berkembang.
AI dapat mengatur tangga kesulitan
Salah satu manfaat adaptive learning adalah mengurangi dua kondisi ekstrem.
Materi terlalu mudah sampai anak bosan.
Atau terlalu sulit sampai anak menyerah.
AI bisa membantu menemukan titik di tengah.
Misalnya anak sudah memahami penjumlahan pecahan berpenyebut sama.
Sistem tidak perlu memberinya 30 soal yang sama.
Bisa naik ke variasi berikutnya.
Sebaliknya, jika anak terus salah pada konsep dasar, sistem dapat memberi contoh tambahan sebelum berpindah.
Ini bisa membuat waktu belajar lebih efisien.
Tetapi hati-hati.
Efisiensi bukan satu-satunya tujuan pendidikan.
Kadang anak perlu mengulang meski sudah bisa, untuk membangun kelancaran.
Kadang anak perlu menghadapi soal sulit walaupun kemungkinan salah tinggi, untuk melatih strategi.
Guru tetap menentukan tujuan pedagogis.
AI membantu mengatur rute.
Bukan menentukan seluruh tujuan.
Jangan biarkan sistem selalu menyelamatkan terlalu cepat
Anak membaca soal.
Belum satu menit.
Sistem sudah menawarkan hint.
Ia klik.
Belum mencoba penuh.
Hint kedua muncul.
Akhirnya anak sampai jawaban.
Kelihatannya sukses.
Namun ada bagian belajar yang hilang: productive struggle.
Anak perlu waktu bergulat dengan masalah.
Mencoba.
Salah.
Mengubah strategi.
Jika AI terlalu cepat memberi bantuan, sistem bisa membuat anak merasa lancar tanpa benar-benar membangun kemampuan.
Gunakan aturan sederhana.
Coba dulu.
Kalau buntu, jelaskan bagian yang membuat buntu.
Baru minta petunjuk.
Setelah mendapat bantuan, kerjakan soal lain tanpa hint.
Pola ini menjaga AI sebagai scaffolding.
Bantuan sementara.
Bukan kruk yang muncul sebelum anak mencoba berdiri.
Kecepatan yang berbeda tidak berarti tujuan harus berbeda
Bayangkan dua siswa belajar konsep sains yang sama.
Siswa A selesai membaca materi dalam 15 menit.
Siswa B butuh 30 menit karena menggunakan text-to-speech dan berhenti beberapa kali.
Kalau keduanya akhirnya memahami konsep, perbedaan waktu bukan masalah.
AI dapat membantu anak B mengakses materi dengan format berbeda.
Yang berbahaya adalah jika sistem melihat waktu lebih lama lalu otomatis menurunkan standar materi.
Tidak selalu perlu.
Kadang yang perlu disesuaikan hanya cara akses.
Audio.
Kalimat lebih pendek.
Glosarium.
Contoh.
Waktu lebih panjang.
Tujuan akademik bisa tetap sama.
Untuk anak tertentu, target pembelajaran memang mungkin perlu penyesuaian individual berdasarkan kebutuhan dan dukungan pendidikan yang tepat.
Tetapi keputusan itu tidak boleh dibuat hanya oleh algoritma.
Guru, keluarga, dan profesional yang relevan tetap memegang peran.
AI perlu punya “jalan naik”, bukan hanya “jalan turun”
Adaptive system sering bagus mengenali kesulitan.
Tetapi sistem juga harus memberi kesempatan anak menunjukkan perkembangan.
Anak yang minggu lalu kesulitan jangan terus diberi level rendah karena histori lama.
Ia perlu kesempatan mencoba.
Kalau bisa, naik.
Kalau belum, dukung.
Personalisasi yang sehat bersifat dinamis.
Anak bukan profil tetap.
Guru dapat memeriksa secara berkala:
“Apakah sistem masih memberi tantangan yang tepat?”
“Apakah anak sudah siap naik?”
“Apakah ada kemampuan yang tidak tertangkap oleh platform?”
Pertanyaan ini penting karena software cenderung percaya pada data historis.
Pendidikan harus percaya juga pada kemungkinan perubahan.
Jangan ukur sukses dari jumlah soal selesai
AI membuat metric mudah.
20 soal.
85 persen benar.
12 menit.
Tiga hint.
Tetapi guru perlu melihat lebih dari itu.
Apakah anak bisa menjelaskan?
Apakah ia bisa memindahkan konsep ke soal baru?
Apakah ia mengerti kenapa salah?
Apakah ia bisa bertanya?
Apakah ia mulai mandiri?
Anak yang menyelesaikan delapan soal dengan pemahaman kuat bisa lebih maju daripada anak yang menyelesaikan 20 soal karena pola jawabannya sudah terbaca.
Kecepatan harus dibaca bersama kualitas.
Sistem memberi data kuantitatif.
Guru menambahkan konteks kualitatif.
Keduanya perlu bertemu.
Adaptive learning bisa membantu guru, bukan mengganti guru
Dalam kelas besar, sulit mengetahui setiap titik kesulitan secara real-time.
AI dapat memberi sinyal.
“Banyak siswa salah di langkah ini.”
“Kelompok ini membutuhkan latihan tambahan.”
“Anak ini sudah siap naik.”
Sinyal seperti itu dapat menghemat waktu guru.
Tetapi guru masih perlu bertanya:
“Kenapa?”
Mungkin soal buruk.
Mungkin instruksi ambigu.
Mungkin contoh tidak sesuai konteks.
Mungkin platform salah.
Mungkin anak sebenarnya tahu tetapi salah klik.
AI membantu melihat pola.
Guru menguji makna pola.
Ini hubungan yang lebih sehat daripada sistem memberi rekomendasi dan manusia hanya mengikuti.
Anak perlu tahu kenapa pelajarannya berubah
Personalisasi yang transparan membantu agency.
Anak bisa diberi penjelasan sederhana.
“Karena kamu sudah konsisten benar di bagian ini, latihan berikutnya sedikit lebih sulit.”
Atau:
“Bagian ini diulang karena masih ada dua konsep yang belum stabil.”
Bukan:
“Komputer bilang kamu belum boleh lanjut.”
Bahasa penting.
Teknologi bukan otoritas misterius.
Anak perlu memahami logika belajar.
Bahkan bisa diberi pilihan:
“Mau coba satu soal lebih sulit atau satu latihan penguatan dulu?”
Pilihan membangun metakognisi.
Anak belajar mengenali kebutuhannya sendiri.
Jangan biarkan personalisasi menjadi surveillance
Semakin adaptif sistem, semakin banyak data yang mungkin dikumpulkan.
Waktu.
Klik.
Jawaban.
Suara.
Profil.
Riwayat.
Kesalahan.
Kebutuhan belajar.
Sekolah perlu membatasi data sesuai fungsi.
UNICEF pada Guidance on AI and Children menempatkan privacy, fairness, transparency, inclusion, dan child wellbeing sebagai prinsip penting.
Tidak semua data yang bisa dikumpulkan harus dikumpulkan.
Kalau sistem hanya perlu menyesuaikan soal, apakah perlu merekam wajah?
Kalau tujuan hanya memberi latihan, apakah perlu mengetahui terlalu banyak informasi pribadi?
Prinsip data minimization harus masuk desain.
Personalisasi bukan izin untuk memonitor seluruh perilaku anak.
Orang tua bisa melihat apakah AI membuat anak semakin mandiri
Tiga pertanyaan.
Apakah anak semakin bisa mengerjakan tanpa bantuan?
Apakah ia memahami kenapa materi berubah?
Apakah ia tetap nyaman belajar dengan guru dan teman?
Kalau jawabannya iya, adaptive system kemungkinan berada di posisi yang sehat.
Kalau anak mulai berkata:
“Aku nggak bisa kalau bukan aplikasi ini.”
atau:
“Pokoknya kalau sistem bilang aku level tiga, berarti aku level tiga.”
itu sinyal untuk meninjau pola.
AI harus membantu anak membangun kemampuan.
Bukan membentuk identitas sempit.
Ada satu bentuk personalisasi lain yang sering terlupakan: memberi anak pilihan cara menunjukkan pemahaman. Setelah belajar konsep yang sama, satu anak mungkin menjelaskan lisan, satu membuat diagram, satu mengerjakan soal tertulis. AI dapat membantu menyiapkan format latihan, tetapi guru perlu memastikan standar kompetensinya tetap jelas. Pilihan format bukan berarti tujuan belajar kabur. Justru tujuan dibuat lebih terlihat karena kita memisahkan “apa yang harus dipahami” dari “bagaimana anak menunjukkan bahwa ia paham”.
Ini juga mengurangi risiko sistem menilai hanya apa yang mudah diukur. Anak yang lambat mengetik tetapi kuat menjelaskan lisan tidak seharusnya dianggap lemah hanya karena platform lebih banyak membaca klik dan jawaban tertulis.
Buat pola “personal, social, personal”
Satu cara yang efektif.
Tahap pertama:
anak mendapat latihan personal.
Tahap kedua:
anak berdiskusi dengan teman.
Membandingkan strategi.
Menjelaskan.
Tahap ketiga:
anak kembali ke latihan personal.
Sekarang sistem bisa melihat perkembangan setelah interaksi sosial.
Cara ini mengingatkan bahwa kecepatan belajar tidak hanya dipengaruhi teknologi.
Teman juga guru.
Percakapan juga alat belajar.
Kadang satu penjelasan dari teman membuat konsep yang sulit tiba-tiba terasa masuk.
AI tidak perlu mengambil semua ruang.
Kembali ke kelas matematika
Guru bertanya pada anak yang tadi berhenti lama.
“Kalau instruksinya diganti begini?”
Ia membaca ulang.
“Oh.”
Ia mengerjakan tanpa hint.
Benar.
Sistem sebelumnya membaca “lambat”.
Guru menemukan “bahasa instruksi tidak jelas”.
Keduanya memberi informasi berbeda.
AI yang menyesuaikan pelajaran dengan kecepatan anak dapat membuat pendidikan lebih responsif.
Ia bisa mempercepat anak yang siap.
Memberi pengulangan pada anak yang perlu.
Mengubah format.
Memberi petunjuk.
Namun jangan menjadikan kecepatan sebagai ukuran nilai anak.
Jangan mengunci anak pada level.
Jangan mengumpulkan data berlebihan.
Jangan membuat personalisasi menggantikan relasi guru.
Pelajaran yang paling baik bukan yang membuat semua anak bergerak dengan kecepatan sama.
Pelajaran yang baik memastikan tiap anak mendapat dukungan untuk terus bergerak, sambil tetap punya kesempatan mengejutkan sistem dengan kemampuan baru.