Editorial Ilmu Komputer & AI
Kerangka Kerja Model Bahasa Besar yang Dapat Dijelaskan untuk Intervensi Pendidikan Inklusif yang Dipersonalisasi di Sekolah Dasar
Masalah inti
Kecerdasan buatan telah membuka jalan baru yang substantif untuk pengambilan keputusan pendidikan, namun sistem yang diterapkan di sekolah-sekolah sebagian besar gagal dalam dua hal: tidak transparan dan bersifat generik. Studi ini berangkat dari kesenjangan tersebut, dengan mencatat bahwa sistem pendidikan berbasis AI yang ada **sering kali kurang transparansi dan kemampuan intervensi yang dipersonalisasi**. Algoritma yang menempatkan seorang anak sebagai "berisiko" tanpa menjelaskan alasannya memberikan sedikit panduan yang dapat ditindaklanjuti kepada guru, dan mesin rekomendasi yang mengabaikan hambatan spesifik yang dihadapi peserta didik tidak dapat secara berarti mendukung praktik inklusif.
Penulis, Shamsun Nahar, memposisikan karya ini pada persimpangan tiga aliran penelitian yang telah berkembang secara mandiri tetapi jarang digabungkan: pembelajaran mesin prediktif untuk identifikasi risiko pendidikan, kecerdasan buatan yang dapat dijelaskan (XAI) untuk akuntabilitas, dan Retrieval-Augmented Generation (RAG) untuk keluaran bahasa alami yang berbasis sumber. Tujuan yang dinyatakan adalah mengusulkan **Kerangka Kerja Model Bahasa Besar (LLM) yang Dapat Dijelaskan untuk Int
Inovasi
Di antara enam algoritma kandidat, **kerangka kerja Explainable XGBoost-RAG-LLM yang diusulkan mencapai kinerja terbaik**, menunjukkan akurasi prediktif yang tinggi dibandingkan dengan alternatif Random Forest, Support Vector Machine, Artificial Neural Network, LightGBM, dan CatBoost. Abstrak melaporkan hasil ini sebagai temuan komparatif utama: konfigurasi hibrida yang menggabungkan gradient boosting dengan generasi berbasis pengambilan mengungguli setiap baseline penyusunnya ketika dievaluasi sebagai sistem terintegrasi.
Yang terpenting, keunggulan kinerja tersebut tidak mengorbankan interpretabilitas. Analisis explainability, yang dilakukan dengan SHAP dan LIME, menghasilkan atribusi yang konsisten yang mengidentifikasi **kehadiran, kinerja akademik, dukungan orang tua, perilaku belajar, dan keterlibatan pendidikan** sebagai faktor kunci yang mempengaruhi hasil peserta didik. Bahwa set ini mencakup sinyal dalam sekolah (kehadiran, kinerja akademik, perilaku belajar) dan konteks luar sekolah (dukungan orang tua, keterlibatan pendidikan) sangat penting untuk praktik inklusif, karena menempatkan sebagian besar bobot penjelasan di luar kelas — di mana intervensi harus melibatkan ke
Mengapa penting
Argumen utama studi ini bersifat arsitektural, bukan sekadar empiris. Klaimnya adalah bahwa prediksi, penjelasan, dan generasi tidak boleh diperlakukan sebagai layanan terpisah yang digabungkan, melainkan sebagai satu pipeline di mana setiap tahap membatasi tahap berikutnya. Model prediktif menentukan *siapa* yang ditandai; lapisan XAI menentukan *faktor apa* yang mendasari tanda tersebut; retriever menentukan *bukti apa* yang dapat diterima; dan LLM mengekspresikan bukti yang dibatasi itu sebagai rekomendasi yang dapat ditindaklanjuti. Menghapus salah satu tautan akan memutus rantai akuntabilitas.
Pemilihan SHAP dan LIME secara bersamaan mencerminkan pembagian kerja penjelasan yang disengaja. Atribusi berbasis Shapley dari SHAP konsisten secara global dan dapat dibandingkan antar peserta didik, yang cocok untuk audiens administrator dan pembuat kebijakan yang memeriksa pola tingkat kohort — misalnya, sebuah sekolah menemukan bahwa kehadiran mendominasi risiko untuk satu kelompok kelas sementara dukungan orang tua mendominasi untuk kelompok lain. Surrogate lokal LIME melayani guru yang membutuhkan penjelasan yang dapat dipertahankan tentang profil satu anak dalam pertemuan orang tua. Tidak ada metode tunggal yang memenuhi kedua kasus penggunaan tersebut.
Dimasukkannya RAG mengatasi apa yang bisa dibilang sebagai mode kegagalan paling serius dari AI generatif dalam pendidikan: fabrikasi yang masuk akal. Dengan membobot generasi ke arah bagian yang diambil dari pedoman pendidikan inklusif dan sumber daya pengajaran melalui skor , kerangka kerja ini menjaga rekomendasi tetap terikat pada praktik yang terdokumentasi. Trade-off-nya adalah ketergantungan pada kualitas dan cakupan korpus — pengambilan hanya dapat menampilkan apa yang telah diindeks, dan kesenjangan dalam literatur pedoman akan menyebar sebagai kesenjangan dalam saran.
Beberapa batasan dari pekerjaan yang dilaporkan harus dinyatakan secara jelas. Evaluasi ini bertumpu pada **kumpulan data pendidikan yang tersedia untuk umum dari UCI dan Kaggle**, bukan pada penerapan di kelas secara langsung, sehingga pertanyaan tentang generalisasi di seluruh kurikulum nasional, bahasa, dan konteks sekolah masih terbuka. Abstrak melaporkan kinerja komparatif secara kualitatif — "kinerja terbaik," "akurasi prediktif tinggi" — tanpa menyebutkan nilai metrik spesifik, sehingga besarnya selisih di atas LightGBM dan CatBoost khususnya tidak ditetapkan dalam teks yang disediakan. Kepentingan fitur dilaporkan sebagai set yang teridentifikasi bukan sebagai koefisien yang diperingkat.
Tujuan yang dinyatakan untuk meningkatkan pendidikan **inklusif** memunculkan pertimbangan lebih lanjut. Kerangka kerja yang menandai peserta didik membawa risiko pelabelan, dan transparansi yang sama yang memungkinkan akuntabilitas juga memungkinkan kesalahan pembacaan output probabilistik sebagai penilaian deterministik. Penekanan makalah pada *dukungan* keputusan — membantu bukan menggantikan guru, administrator, dan pembuat kebijakan — karena itu bukanlah retorika yang mendua melainkan pengaman substantif, dan lapisan explainability itulah yang membuat posisi tersebut kredibel secara operasional.
Siapa yang sebaiknya membaca
Membuka konten member…