Peneliti Bikin AI Guru yang Nyesuaiin Diri ke 96 Tipe Murid — Tanpa Ngelatih Ulang Modelnya. Caranya Bisa Lo Tiru Hari Ini.

Rahasianya bukan teknologi baru. Cuma cara nyusun prompt yang lebih rapi. Tapi ada satu hal soal hasil penelitiannya yang perlu lo baca sampai habis.

Masalah AI buat belajar itu sebenernya sederhana: dia ngejawab semua orang dengan cara yang sama.

Murid yang udah paham 80% materi dapet penjelasan yang sama panjangnya kayak murid yang baru denger istilahnya. Yang lebih ngerti kalau dikasih contoh konkret dapet jawaban seabstrak yang suka teori. Yang cuma butuh jawaban singkat dapet lima paragraf.

Tiga peneliti — Saptarshi Basu, Sandeep Kakar, dan Ashok Goel — nyoba ngeberesin ini. Dan pendekatannya menarik karena nggak nyentuh modelnya sama sekali.

Idenya: bikin “kartu identitas belajar”

Mereka bikin kerangka yang ngedeskripsiin tiap murid lewat enam dimensi. Digabung, enam dimensi ini ngasilin 96 profil murid yang berbeda.

Ini enam dimensinya, versi bahasa manusia:

1. Penilaian diri — seberapa yakin murid ini sama kemampuannya sendiri?

2. Preferensi abstraksi — dia lebih nangkep kalau dikasih konsep umum dulu, atau contoh konkret dulu?

3. Preferensi panjang jawaban — mau singkat padat, atau panjang dan detail?

4. Orientasi persepsi — lebih nangkep lewat visual (diagram, gambar) atau lewat teks dan penjelasan verbal?

5. Gaya memproses informasi — tipe yang mau langsung praktik sambil belajar, atau yang mau paham teorinya dulu baru gerak?

6. Tingkat pemahaman — sekarang ini dia ada di level mana soal materinya?

Coba baca ulang keenamnya sambil mikirin diri lo sendiri. Kemungkinan besar lo bisa langsung jawab semuanya dalam 30 detik — dan itu justru yang bikin kerangka ini kepake.

Terus mereka juga baca “berat”-nya pertanyaan

Ini bagian keduanya, dan menurut gua sama pentingnya.

Tiap pertanyaan yang masuk dianalisis pakai Taksonomi Bloom — kerangka klasik di dunia pendidikan buat ngukur tingkat kerumitan berpikir. Urutannya dari yang paling ringan:

1. Mengingat — “Apa itu machine learning?”
2. Memahami — “Jelasin bedanya machine learning sama deep learning.”
3. Menerapkan — “Gimana caranya pake ini di kasus gua?”
4. Menganalisis — “Kenapa pendekatan A lebih bagus dari B di situasi ini?”
5. Mengevaluasi — “Menurut lo pendekatan mana yang paling masuk akal, dan kenapa?”
6. Menciptakan — “Bantu gua rancang sistem baru buat masalah ini.”

Pertanyaan di level 1 dan level 6 butuh jenis jawaban yang beda total. Tapi kebanyakan AI ngejawab dua-duanya dengan pola yang sama.

Sistem ini ngedeteksi levelnya dulu, baru nyesuaiin jawabannya.

Bagian yang paling penting: nggak ada pelatihan ulang

Ini yang bikin penelitian ini praktis banget.

Semua informasi tadi — profil murid plus level pertanyaan — cuma dimasukin ke dalam prompt yang terstruktur. Modelnya nggak dilatih ulang. Nggak ada fine-tuning. Nggak ada data training baru.

Artinya: teknik ini bisa dipake siapa aja, hari ini, pakai AI yang udah ada.

Nggak butuh GPU. Nggak butuh dataset. Cuma butuh cara nyusun perintah yang lebih rapi.

⚠️ Sekarang bagian jujurnya

Gua perlu tegas soal ini, karena gampang banget dibesar-besarin.

Uji cobanya cuma melibatkan LIMA orang.

Bukan lima ratus. Lima.

Dan yang lebih penting lagi — perhatiin apa yang sebenernya mereka ukur. Hasilnya nunjukin ada perbedaan yang terasa pada gaya dan struktur jawaban di kondisi personalisasi yang berbeda.

Baca ulang kalimat itu. Yang terbukti adalah jawabannya jadi beda. Bukan muridnya jadi lebih paham.

Itu dua klaim yang jauh berbeda:

• ✅ Terbukti: prompt-nya bikin AI ngejawab dengan gaya yang beda-beda sesuai profil
• ❌ Belum terbukti: murid yang dapet jawaban yang dipersonalisasi jadi lebih ngerti, lebih cepet belajar, atau nilainya lebih bagus

Penulisnya sendiri jujur soal ini. Mereka nyebut hasilnya sebagai “bukti awal” (preliminary evidence), bukan kesimpulan.

Jadi kalau lo nemu konten yang bilang “penelitian membuktikan AI personal bikin murid lebih pinter” — itu bukan yang dibilang paper ini.

Tapi jangan salah paham juga: penelitian kecil bukan penelitian jelek. Ini namanya studi awal, dan fungsinya emang buat ngetes apakah idenya layak diteliti lebih serius. Idenya sendiri masuk akal dan kerangkanya rapi.

Cara nyontek tekniknya hari ini

Nah ini bagian yang bisa langsung lo pakai. Lo nggak perlu jadi peneliti buat niru pola ini.

Coba taro blok kayak gini di awal percakapan lo sama AI mana pun:

Sebelum menjawab, sesuaikan gaya jawabanmu dengan profil saya:

- Tingkat pemahaman saya soal topik ini: [pemula / menengah / lanjutan]
- Saya lebih paham kalau dikasih: [contoh konkret dulu / konsep umum dulu]
- Panjang jawaban yang saya mau: [ringkas / sedang / detail]
- Saya lebih nangkep lewat: [analogi & gambaran visual / penjelasan teks runtut]
- Cara saya belajar: [langsung praktik / paham teori dulu]

Kalau pertanyaan saya cuma butuh jawaban faktual, jawab singkat.
Kalau butuh analisis atau perancangan, baru uraikan panjang.

Isi kurungnya sesuai diri lo, simpen sebagai template, tempel tiap mulai sesi belajar.

Ini bukan trik ajaib. Tapi bedanya kerasa — terutama di poin “panjang jawaban”, yang paling sering bikin orang males baca hasil AI.

Kenapa ini penting buat lo

Dua hal.

Satu: ini bukti bahwa prompt engineering itu masih bidang yang serius, bukan sekadar tips receh yang bakal usang. Peneliti universitas nulis paper soal cara nyusun prompt, dan hasilnya kepake. Yang mereka lakuin cuma satu: mikirin siapa yang bakal baca jawabannya, bukan cuma apa yang ditanya.

Dua — dan ini yang bikin gua tertarik banget: kerangka kayak gini murah buat diterapin di Indonesia.

Nggak butuh model sendiri, nggak butuh infrastruktur mahal. Buat guru, sekolah, atau siapa pun yang bikin materi belajar berbasis AI di sini, hambatannya bukan teknologi — tapi kemauan mikirin muridnya satu per satu.

Dan ternyata “mikirin muridnya” itu bisa ditulis dalam enam baris prompt.

---

Sumber: abstrak paper “A Prompt-Engineering Approach to Develop Scalable, Flexible, and Real-Time Hybrid Micro-Level Personalization in a General Purpose AI Teaching Assistant” oleh Saptarshi Basu, Sandeep Kakar, dan Ashok Goel (arXiv). Catatan: gua cuma baca abstraknya, bukan paper lengkapnya.