Cekricek.id — Di layar seorang mahasiswa Universitas Negeri Malang, kalimat perintah itu terdengar salah kamar untuk kelas bahasa Indonesia. Ia mengetik permintaan tentang kelebihan dan kekurangan fondasi dangkal bagi rumah dua lantai, lalu menyuruh chatbot menyusun pendahuluan artikelnya lengkap dengan tujuan dan konteks. Bukan bangunan yang sedang ia pelajari. Yang ia latih adalah cara memerintah mesin.
Perintah itu terekam dalam The use of cognitive reconstruction strategies with self-assessment (CRSA) in writing AI-based scientific papers in Indonesian language education learning, laporan Ratna Restapaty, Titik Harsiati, dan Azizahtuz Zahro dari Universitas Negeri Malang yang terbit di jurnal LITERA Vol. 25 No. 1 tahun 2026. Tiga puluh sembilan mahasiswa diikuti selama satu mata kuliah, diwawancarai satu per satu, dan naskah tugas mereka dibaca ulang.
Nama strateginya panjang, Cognitive Reconstruction Self-Assessment, disingkat CRSA. Isinya tidak rumit. Mahasiswa menulis, meminta chatbot menata ulang tulisan itu, lalu menilai sendiri hasil penataan sebelum memperbaiki naskahnya. Yang direkam bukan mutu makalah akhir, melainkan apa yang terjadi di sela satu perintah dan perintah berikutnya. Mata kuliahnya berada di program pendidikan bahasa Indonesia, bukan kelas teknologi.
Kekhawatiran yang mengelilingi kelas semacam itu bukan hal baru di ruang dosen. Sejumlah kajian yang dirujuk laporan tersebut menyebut ketergantungan pada ChatGPT menipiskan dorongan mahasiswa berpikir kritis, mengaburkan batas antara tulisan manusia dan tulisan mesin, dan memudahkan kerja tempel-menempel yang tidak jujur. Kelas di Malang itu dijalankan dengan pilihan yang berlawanan arah. Chatbot tidak dilarang masuk. Ia dipakai di depan dosen, lalu langkahnya dicatat satu per satu, termasuk perintah yang gagal.
Kotak Prompt dan Kata Perintah
Perintah pertama biasanya panjang dan berisi keterangan diri. Mahasiswa menyebut posisinya lebih dulu, mengetik “saya mahasiswa yang akan menulis makalah” sebelum menyebut topik dan tugas yang diminta. Pola itu berulang pada banyak catatan yang dikumpulkan. Semakin banyak konteks yang ditempelkan pada perintah, semakin jarang mahasiswa harus mengulang pertanyaan yang sama kepada mesin. Kata kunci yang khusus dipilih lebih dulu, sebab chatbot menerima segala macam kata kunci tetapi membalas setara dengan yang diberikan kepadanya.
Kata kerja perintah paling sering dipakai. Buat, jelaskan, uraikan, beri contoh, buat lagi. Kalimatnya pendek dan tidak sopan menurut ukuran percakapan manusia, tetapi kepada mesin ia bekerja. Mahasiswa juga menyebutkan bentuk keluaran yang diinginkan secara terbuka, misalnya meminta jawaban ditulis sebagai paragraf dengan pembuka, isi, dan penutup, atau meminta pokok pikiran diringkas berurutan. Yang dihindari justru mengulang pertanyaan serupa berkali-kali, terutama sesudah chatbot gagal menjawab pada percobaan pertama.
Baca juga Sembilan Tuturan Humor Rina Nose Dihitung Peneliti
Ada tahap yang jarang terlihat dari luar meja itu. Mahasiswa menyandingkan keluaran dengan perintah semula, dan bila keduanya tidak cocok, mereka kembali ke kotak perintah untuk mengganti kata-katanya. Sebagian menambahkan permintaan seperti tambahkan, perbaiki, sempurnakan, atau meminta chatbot menerangkan teori yang relevan dengan topiknya. Perbedaan antara perintah yang buruk dan perintah yang bekerja tidak diajarkan dalam satu pertemuan. Mahasiswa menemukannya lewat gagal berkali-kali, dan tidak semua betah pada cara belajar seperti itu.
Sesudah keluaran muncul, sebagian mahasiswa tidak langsung memakainya. Mereka membandingkan jawaban satu chatbot dengan chatbot lain, tercatat pada 18,9 persen data, lalu membaca ulang, menambahkan pertanyaan susulan, dan mengubah perintahnya. Tahap memakai keluaran AI tercatat 39,20 persen, memahami teksnya 11,08 persen, dan memantau kecocokan hasil dengan tujuan semula hanya 7,12 persen. Setiap putaran revisi disusul penilaian singkat atas apa yang berubah pada keluaran, dan penilaian singkat itulah inti CRSA.
Jendela yang dibuka tidak satu. ChatGPT, Gemini, Perplexity, Poe.AI, Humata, dan Open Read muncul dalam catatan, masing-masing untuk pekerjaan berbeda: menyusun kerangka, meringkas artikel, mencari tulisan sejenis. Google Scholar tetap terbuka di sebelahnya. Pada tahap menata ulang, Humata dan Open Read dipanggil bersama Google Scholar untuk mencari kaitan antartemuan. Perpindahan antarjendela itu dibaca ketiga penulis sebagai bagian dari kerja berpikir, bukan sekadar kebiasaan teknis.
Angka dari Kelas E14
Kelas itu berisi 39 mahasiswa. Sesudah metode dijalankan, angket lewat Google Form mencatat 88 persen mahasiswa merasa lebih termotivasi dan 12 persen sisanya merasa cukup termotivasi. Tidak ada yang menyatakan sebaliknya. Angka semacam itu gampang dibaca sebagai kemenangan, dan justru di situ laporan tersebut mengerem dirinya sendiri. Kuesionernya disebar lewat tautan dan diisi di luar jam kelas, lalu jawabannya dipakai menyusun ulang bahan ajar.
Indikator perencanaan tercatat 70,83 persen. Sebanyak 36,70 persen mahasiswa merasa terbantu alat bantu perencanaan, dan 16,10 persen menyebut chatbot berguna saat menyusun draf. Penulisnya menolak merayakan angka itu apa adanya. Alat yang menyodorkan kerangka dan struktur kerja, tulis mereka, sekaligus membuka jalan pintas untuk melewati bagian yang seharusnya melelahkan pikiran. Perencanaan di sini berarti menyusun kerangka sebelum menulis, dan kerangka adalah bagian yang paling gampang diserahkan kepada mesin.
Baca juga Kajian Bahasa Sandi di Forum Gelap Kota Malang
Pada tahap menata ulang, angkanya turun. Memahami konsep 15,10 persen, kemampuan mengevaluasi hasil 6,39 persen. Yang justru tinggi adalah pekerjaan permukaan: menyempurnakan gagasan dan pilihan kata 26,12 persen, revisi konstruktif 17,20 persen. Mahasiswa rajin memoles kalimat, lebih jarang menguji apakah gagasan yang dipoles itu sudah benar sejak awal. Sebagian memang memeriksa isi keluaran dengan menyandingkannya pada sumber lain, tetapi porsinya kecil.
Empat pekerjaan berulang tercatat sepanjang proses itu: menguraikan, menata, mengulang, dan memantau. Keempatnya berjalan cepat, hampir seperti refleks, dan untuk menerangkannya penulisnya meminjam pembedaan yang dipopulerkan Daniel Kahneman antara sistem berpikir yang cepat dan otomatis dengan sistem yang lambat serta bekerja keras. Mahasiswa lebih banyak memakai yang pertama. Yang kedua datang belakangan, kalau waktunya masih ada, dan sering tidak ada karena tenggat tugas sudah dekat.
Angka pembanding datang dari luar kelas itu. Satu kajian yang dikutip laporan mencatat 51,4 persen mahasiswa menganggap AI membantu penyelesaian tugas akhir mereka. Kajian lain menemukan mahasiswa lancar memakai mesin pencari umum, tetapi tidak terbiasa masuk ke basis data akademik seperti Scopus, ScienceDirect, ResearchGate, atau Garuda. Kebiasaan itulah yang mereka bawa ketika chatbot ikut duduk di meja belajar, dan kebiasaan jarang berubah hanya karena alatnya berganti.
Kesulitan yang berulang muncul pada sambungan. Mahasiswa kerap gagal merancang kaitan antarkalimat dan antarparagraf, sehingga keluaran chatbot yang rapi tetap terbaca terlalu umum. Rujukan pun bergeser pelan-pelan. Sebagian mulai menyebut basis data seperti Springer dan Elsevier, meski kebiasaan lama membuka mesin pencari lebih dulu belum benar-benar hilang. Keluaran yang terlalu umum itu akhirnya kembali ke meja mahasiswa sebagai pekerjaan menyunting, bukan sebagai pekerjaan berpikir.
Cermin Penilaian Sendiri
Bagian tersulit dari CRSA bukan chatbotnya, melainkan cermin di ujung proses. Mahasiswa diminta menilai pekerjaannya sendiri, dan penilaian sendiri jarang jujur. Laporan itu mencatat kecenderungan menaksir kemampuan diri terlalu tinggi, juga kebiasaan sibuk pada kesalahan kecil sambil melewatkan persoalan yang lebih besar di tingkat gagasan. Sebagian menyebut kelemahan tulisannya tanpa sanggup menunjuk satu kesalahan yang jelas.
Baca juga Film Dokumenter untuk Kesenian Bangreng Sumedang
Jarak antarmahasiswa melebar di titik ini. Mereka yang terbiasa memantau cara berpikirnya sendiri memperoleh keuntungan berlipat dari chatbot; yang tidak terbiasa justru tertinggal oleh alat yang sama. Menurut Restapaty bersama Harsiati dan Zahro, kemampuan mengendalikan proses berpikir itulah yang harus dipastikan lebih dulu, sebelum mesin apa pun ditambahkan ke dalam ruang kelas. Pembedanya bukan penguasaan aplikasi, melainkan kebiasaan berhenti sebentar untuk bertanya kepada diri sendiri.
Ketimpangan lain lebih kasar bentuknya: tidak semua mahasiswa punya akses setara pada perangkat dan sambungan internet. Penulisnya juga mengakui batas kerjanya sendiri. Ini studi kasus kualitatif pada satu kelas di satu kampus, bertumpu pada wawancara dan penilaian diri, sehingga temuannya tidak bisa dibaca sebagai potret mahasiswa Indonesia dan masih menunggu pengujian yang lebih luas. Persentase-persentase tadi pun berasal dari laporan diri, bukan dari uji terpisah.
Ukuran berpikir kritis yang dipakai laporan itu sederhana dan sudah lama ada: sanggup merumuskan pokok masalah, menata fakta yang tersedia, menyusun alasan yang runtut, menyiapkan lebih dari satu jalan keluar, dan menimbang risiko sebuah keputusan. Diuji dengan ukuran itu, memoles kalimat tidak masuk hitungan. Yang masuk hitungan justru pekerjaan yang paling jarang dilakukan mahasiswa di depan layar, dan angka 6,39 persen tadi menunjukkannya tanpa perlu tafsir panjang.
Ada pula pekerjaan yang tidak bisa diserahkan kepada mesin. Chatbot menilai struktur kalimat dan kelengkapan bagian, tetapi tidak menangkap sisi emosional dan kultural yang hanya tumbuh dalam tatap muka. Diskusi kelompok kecil dan saling membaca draf teman karena itu tetap dipertahankan. Kekhawatiran lain menyusul: bila semua mahasiswa memakai mesin yang sama dengan cara memerintah yang mirip, jawaban yang keluar pun bergerak ke satu arah yang sama.
Dosen tidak hilang dari gambar itu. Justru sebaliknya. Ketika koreksi datang dalam hitungan detik dari mesin, pekerjaan menafsirkan koreksi jatuh sepenuhnya ke tangan manusia. Mahasiswa yang menerima perbaikan tanpa tahu alasannya hanya memindahkan kesalahan ke tempat lain, dan tumpukan referensi dari basis data ternama tidak menutup celah itu. Dosen yang menerangkan alasan sebuah koreksi mengembalikan pekerjaan berpikir ke tempat asalnya.
Di layar tadi, perintah tentang fondasi dangkal untuk rumah dua lantai masih menunggu jawaban. Yang dinilai dosen bukan rumahnya. Melainkan apakah mahasiswa tahu kapan harus berhenti mengetik dan mulai membaca ulang.
