Editorial Ilmu Komputer & AI
Gurukul AI: Platform Pendidikan Interaktif Berbasis AI untuk Sistem Pendidikan India
Masalah inti
Kemajuan mutakhir dalam large language model (LLM) seperti ChatGPT dan LLaMA telah mengubah pendidikan berbasis AI. Namun, sistem-sistem ini umumnya dilatih pada data yang berpusat pada Barat, sehingga kurang cocok untuk kurikulum regional seperti India. Sistem pendidikan India beragam secara linguistik, berorientasi ujian, dan terstruktur di sekitar silabus terstandardisasi, yang tidak dijangkau oleh dataset dan perkakas yang ada. Karya ini menjembatani kesenjangan antara kemampuan LLM global dan tuntutan pendidikan regional dengan melokalkan AI untuk ruang kelas India.
Penulis mengidentifikasi tiga ketidaksesuaian inti: (1) keragaman linguistik—siswa membutuhkan dukungan dalam bahasa Inggris dan Hindi; (2) orientasi ujian—konten harus selaras dengan silabus terstandardisasi dan pola asesmen; dan (3) kekhususan struktural—buku teks NCERT mendefinisikan cakupan kanonis untuk kelas 9–12. Untuk mengatasinya, mereka mengkurasi dataset tanya-jawab selaras silabus dan menyebarkan model yang disetel halus dalam kerangka Retrieval-Augmented Generation (RAG) yang disesuaikan dengan kebutuhan pendidikan.
Inovasi
Hasil utamanya adalah pembuatan dan perilisan publik dataset tanya-jawab selaras silabus yang memuat 18.720 pasangan pertanyaan–jawaban di lima mata pelajaran, yang diturunkan dari buku teks NCERT untuk kelas 9–12. Dataset ini secara langsung mengatasi kurangnya data pendidikan regional yang berorientasi ujian untuk kurikulum India.
Hasil kedua adalah model LLaMA 3.1 8B yang disetel halus, yang diintegrasikan ke dalam kerangka RAG. Sistem ini disebarkan sebagai GurukulAI, platform akses terbuka yang mendukung:
- Interaksi berbasis obrolan dengan model
- Penjernihan keraguan
- Latihan soal bergaya ujian
- Jawaban kontekstual yang didasari konten silabus
- Interaksi bilingual dalam bahasa Inggris dan Hindi
Platform dan kode tersedia untuk publik, memungkinkan reproduksibilitas dan penelitian lanjutan. Karya ini menunjukkan bahwa melokalkan LLM untuk ruang kelas India dapat dilakukan dan dapat menjembatani kemampuan model global dengan tuntutan pendidikan regional.
Mengapa penting
Karya ini menyoroti kesenjangan kritis dalam pendidikan berbasis AI: sebagian besar LLM dilatih pada data yang berpusat pada Barat dan gagal selaras dengan kurikulum regional. Dengan mengkurasi dataset dari buku teks NCERT dan menyetel halus LLaMA 3.1 8B, penulis menunjukkan bahwa kurasi data yang tertarget dan RAG dapat mengadaptasi model serbaguna ke konteks pendidikan tertentu.
Kemampuan bilingual (bahasa Inggris dan Hindi) sangat berarti dalam lanskap India yang beragam secara linguistik. Rancangan yang berorientasi ujian—soal latihan dan jawaban kontekstual—menjawab kebutuhan siswa yang bersiap menghadapi asesmen terstandardisasi. Kerangka RAG memastikan respons didasari konten silabus, mengurangi halusinasi dan meningkatkan kepercayaan.
Batasan mencakup fokus pada kelas 9–12 dan lima mata pelajaran, yang mungkin tidak mencakup seluruh spektrum pendidikan India. Pekerjaan mendatang dapat diperluas ke lebih banyak mata pelajaran, bahasa, dan jenjang kelas. Meskipun demikian, GurukulAI menyediakan cetak biru yang dapat direplikasi untuk melokalkan AI dalam pendidikan, dengan dataset dan kode terbuka untuk mendukung inovasi lebih lanjut.
Siapa yang sebaiknya membaca
Membuka konten member…