Abstrak
Studi ini mengeksplorasi dinamika multifaset sentimen siswa terhadap pendidikan berbasis kecerdasan buatan (AI) dengan mengintegrasikan teknik analisis sentimen dengan metode statistik, termasuk simulasi Monte Carlo dan pemodelan pohon keputusan, di samping analisis teori dasar kualitatif. Data dikumpulkan dari 540 mahasiswa, yang tanggapannya terhadap pertanyaan terbuka dan berbasis skala dianalisis secara sistematis untuk menangkap nuansa persepsi mereka mengenai potensi transformatif dan tantangan inheren AI dalam lingkungan pendidikan. Secara kuantitatif, skor sentimen diturunkan menggunakan GPT-4, dikategorikan ke dalam kelompok positif, netral dan negatif, dan diperiksa lebih lanjut melalui statistik deskriptif, ANOVA satu arah dan uji post hoc Scheffé . Simulasi Monte Carlo memberikan estimasi distribusi sentimen yang tangguh, sementara analisis pohon keputusan menjelaskan prediktor demografi dan sikap utama adopsi AI, terutama menyoroti peran usia dan persepsi etika. Secara kualitatif, grounded theory digunakan untuk mengekstrak tema-tema yang muncul yang mencerminkan antusiasme terhadap pembelajaran yang dipersonalisasi dan efisien serta kekhawatiran atas dilema etika, isolasi sosial, dan berkurangnya interaksi guru-siswa. Temuan tersebut mengungkap pandangan dua sisi tentang pendidikan berbasis AI, sementara mayoritas siswa mengakui keuntungannya dalam meningkatkan efisiensi pembelajaran dan akses ke informasi.

PERKENALAN
Kecerdasan buatan (AI) membentuk kembali pendidikan dengan meningkatkan proses belajar mengajar (Bahroun et al., 2023 ; Ou, 2024 ; Strielkowski et al., 2024 ). Lembaga pendidikan tinggi bersaing untuk memperluas integrasi perangkat AI, termasuk AI generatif (Arowosegbe et al., 2024 ). Sebuah studi global mensurvei 23.218 mahasiswa dari 109 negara pada tahun 2024 dan menemukan bahwa teknologi seperti ChatGPT dapat meningkatkan akses ke pengetahuan, efisiensi pembelajaran, dan literasi AI. Namun, pertanyaan yang tersisa yang masih membutuhkan solusi termasuk, tetapi tidak terbatas pada, kecurangan, plagiarisme, dan isolasi sosial (Ravšelj et al., 2025 ). Siswa masa kini menghargai kemampuan AI untuk mempersonalisasi pengajaran dan aksesibilitas terbuka (Al Zahrani & Alasmari, 2024 ), tetapi melihat potensi AI untuk meningkatkan komunikasi interpersonal, pemikiran kritis, dan keterampilan numerasi sebagai hal yang marjinal (Ravšelj et al., 2025 ).

Di sebagian besar konteks yang berbeda, siswa berorientasi positif terhadap AI dalam pendidikan. Ghotbi et al. ( 2022 ) menunjukkan ada pandangan yang baik tentang AI oleh mahasiswa pada tahun 2022; survei tahun 2023 melaporkan pendapat yang sebagian besar positif oleh 4006 penduduk Eropa (Scantamburlo et al., 2023 ). Menariknya, di antara 70% siswa dalam program akademik bahasa Inggris, sikap positif terhadap ChatGPT berlimpah dalam bantuannya dalam mengklarifikasi konsep-konsep yang sulit dan memberikan informasi dalam format yang lebih ramah pengguna (Damanik, 2025 ). Di Rumania, siswa menyadari bahwa AI dapat mengubah pendidikan dan berpihak pada persyaratan tenaga kerja (Gheție et al., 2025 ). Pandangan netral-ke-positif juga dikumpulkan dari analisis sentimen media sosial, terutama menekankan pembelajaran yang dipersonalisasi dan dukungan akademis (So et al., 2023 ; Yang et al., 2024 ). Siswa sains menunjukkan pandangan yang lebih positif dibandingkan dengan siswa seni atau perdagangan di mana jenis kelamin atau tingkat pendidikan tetap tidak signifikan (Hajam & Gahir, 2024 ). Semakin tinggi kesadaran dan kepercayaan pada AI, semakin positif sikap dan semakin besar penggunaan alat AI (Obenza et al., 2024 ), dan pandangan positif yang kuat pada AI akan meningkatkan kinerja akademik (Bation & Pudan, 2024 ). Namun, kepercayaan publik mendefinisikan persepsi: ketika kepercayaan terendah, persepsi terbagi pada AI dan konsekuensinya; ketika kepercayaan lebih tinggi, persepsi cenderung konsisten positif (Brauner et al., 2023 ). Meskipun memiliki sentimen positif, siswa menyatakan kekhawatiran tentang implikasi etika AI, termasuk risiko plagiarisme, masalah privasi, dan kurangnya transparansi kelembagaan (Arowosegbe et al., 2024 ; Vaněček et al., 2024 ). Kekhawatiran akan ketergantungan yang berlebihan, misinformasi, dan plagiarisme juga lazim terjadi (Ghimire et al., 2024 ; Yang et al., 2024 ). Sebuah survei terhadap 453 mahasiswa psikologi dan ilmu olahraga di Inggris mengungkapkan keakraban yang beragam dengan perangkat AI dan ketidaktahuan yang meluas tentang kebijakan AI universitas, yang menyoroti perlunya pedoman etika yang jelas (Thomson et al., 2024 ). Calon guru terkadang salah mengonseptualisasikan AI, melihatnya sebagai ancaman potensial bagi profesi guru atau lembaga pendidikan, meskipun mengakui manfaat ekonominya (Coşkun, 2024 ).

Sistem umpan balik berbasis sentimen secara real-time meningkatkan motivasi dan kinerja dalam personalisasi pembelajaran sebagai keuntungan utama AI (Prakash et al., 2024 ). Semakin banyak institusi menggunakan alat analisis sentimen untuk memastikan kepuasan siswa, menciptakan peluang untuk peningkatan gaya mengajar berbasis data (Chamorro-Atalaya et al., 2025 ; Shaik et al., 2022 ). Beberapa siswa bahkan meninggalkan cara belajar tradisional, tertarik pada pembelajaran yang dipersonalisasi dan peluang kewirausahaan yang disediakan AI (Elbourn, 2024 ). Alat yang baru divalidasi sekarang menilai sikap siswa terhadap integrasi AI dalam pendidikan secara konsisten; khususnya, mereka mengonfirmasi disposisi positif dalam domain komunikatif dan kognitif mereka (Grassini, 2023 ).

Meskipun siswa laki-laki dan perempuan cenderung memandang AI secara positif, mereka memiliki persepsi yang berbeda tentang seberapa bermanfaat AI bagi mereka, khususnya untuk aplikasi AI generatif (Al-Samarraie et al., 2024 ). Integrasi pendidikan AI menuntut siswa untuk dilatih dalam menginterpretasikan dan menambahkan strategi pembelajaran berbasis AI yang membuat pembelajaran efektif bagi mereka, di luar sekadar literasi teknis (Kim et al., 2024 ). Memahami perspektif siswa saat mengadopsi teknologi bantuan ini di sekolah akan membantu mengatasi kekhawatiran mereka untuk memanfaatkan berbagai keuntungannya (Pedro et al., 2019 ).

Simulasi Monte Carlo adalah proses yang digunakan untuk memodelkan dan menganalisis sistem dalam menghadapi ketidakpastian. Dengan menggunakan teknik pengambilan sampel acak, ini sangat membantu ketika solusi analitis tidak tersedia, seperti dalam analisis risiko, teknik, dan keuangan (Abdussamad et al., 2025 ; Raychaudhuri, 2008 ; Signoret & Leroy, 2021 ). Terlepas dari kenyataan bahwa hampir semua aplikasinya ditemukan di berbagai cabang teknik, fisika atau ekonomi, fleksibilitas pendekatan ini memungkinkannya untuk diadaptasi dengan cukup mudah ke model berbasis teks, seperti estimasi ketidakpastian dalam NLP. Namun, tidak banyak penelitian yang memasukkannya ke dalam model analisis sentimen. Dalam penelitian ini, pendekatan analisis sentimen simulasi Monte Carlo dan pemodelan pohon keputusan untuk menyelidiki persepsi siswa yang dianggap sangat penting bagi AI dalam pendidikan untuk mengisi kesenjangan dalam literatur dalam hal ini (Kastrati et al., 2021 ; Taboada, 2016 ) (Apte & Sri Khetwat, 2019 ). Dalam aspek tertentu, AI mungkin menunjukkan tingkat kesadaran emosional yang lebih tinggi daripada manusia. Secara khusus, AI memiliki kekuatan lebih besar daripada manusia sejauh menyangkut kesadaran emosional (Ayers et al., 2023 ; Harari, 2024 ; Zohar et al., 2023 ). Sudut pandang kualitatif yang diberikan oleh kuantifikasi ini adalah eksplorasi pengalaman emosional melalui survei terhadap beragam sampel siswa.

METODOLOGI
Desain penelitian
Penelitian ini menggunakan desain metode campuran cross-sectional yang melibatkan pendekatan kuantitatif dan kualitatif dalam menilai disposisi siswa terhadap adopsi AI sebagai bentuk pendidikan. Ini adalah desain cross-sectional yang umumnya mengumpulkan data pada satu titik waktu—dalam hal ini, memberikan gambaran singkat tentang sikap dan respons emosional siswa selama titik waktu tersebut tanpa melacak perubahan dari waktu ke waktu (Wang & Cheng, 2020 ). Ini menangkap luasnya persepsi dalam kelompok siswa yang sangat beragam sambil mempertimbangkan kendala sumber daya. Kerangka kerja metode campuran ini memungkinkan penilaian apriori, menyatukan tren sentimen yang terukur dengan pengalaman subjektif yang lebih bernuansa dalam wacana luas untuk memahami perspektif siswa.

Analisis kuantitatif
Skor sentimen dihasilkan berdasarkan perintah teks oleh GPT-4, model bahasa besar yang telah dilatih sebelumnya oleh OpenAI. Isyarat tekstual diberikan pada skala berkelanjutan dari -1 (negatif) hingga 1 (positif). Tidak ada penyempurnaan yang dilakukan, memanfaatkan kemampuan akal sehat umum GPT-4 sehubungan dengan deteksi sentimen. Dalam studi perbandingan, 50 respons subsampel dikodekan secara manual oleh dua penilai, memberikan kappa Cohen sebesar 0,68 dengan GPT-4, yang berarti bahwa ada kesepakatan sedang, tetapi terkadang terjadi kesalahan dalam menangkap isyarat emosi yang halus seperti sarkasme. ANOVA satu arah, uji post hoc Scheffé , simulasi Monte Carlo (10.000 iterasi) dan analisis pohon keputusan CHAID digunakan untuk identifikasi dan prediksi pola.

Analisis kualitatif
Untuk analisis kualitatif, grounded theory digunakan untuk analisis respons terbuka melalui pengkodean terbuka, aksial, dan selektif (Strauss & Corbin, 1990 ). Temuan kualitatif ini ditriangulasi dengan penelitian kuantitatif untuk mengurangi potensi ketidakseimbangan terhadap satu metode; namun, dalam penelitian selanjutnya, deskripsi dalam bagian kualitatif dapat diuraikan lebih lanjut untuk mendasarkan penelitian pada kategori tematik yang lebih dalam (Creswell & Plano Clark, 2018 ).

Sampel studi
Ada 540 mahasiswa universitas Turki dalam sampel studi, yang dipilih dari pengambilan sampel mudah. ​​Dari 540 responden, 32,2% (174 responden) adalah laki-laki dan 67,8% (366 responden) adalah perempuan. Ini menunjukkan bahwa hampir dua pertiga dari peserta adalah perempuan sedangkan sekitar sepertiga adalah laki-laki. Menurut data, 48,3% (261 responden) responden tinggal di pusat kota, 36,7% (198 responden) tinggal di distrik, 1,5% (delapan responden) tinggal di kota dan 13,5% (73 responden) tinggal di desa di antara 540 responden. Persentase kumulatif menunjukkan bahwa keempat kategori ini sepenuhnya mencakup sampel. Berdasarkan kebiasaan penggunaan AI, di antara 538 tanggapan yang valid, hanya 11,0% responden (59 individu) melaporkan tidak pernah menggunakan AI, sementara 25,7% (138 individu) melaporkan jarang menggunakannya. Hanya 0,2% (satu individu) responden mengatakan bahwa mereka terkadang menggunakan AI. Ini menunjukkan bahwa pengguna AI sebagian besar jelas termasuk dalam kelompok penggunaan yang jarang atau sering. Faktanya, sebagian besar responden melaporkan penggunaan yang sering, dengan 49,1% (264 individu) menunjukkan bahwa mereka sering menggunakannya dan 14,1% (76 individu) melaporkan menggunakannya sangat sering, yang menunjukkan bahwa AI digunakan secara teratur oleh hampir dua pertiga peserta, yang menunjukkan adopsi teknologi AI yang substansial oleh sampel. Rasio mengenai fokus perkotaan (setengah atau 48,3% di dalam pusat kota) dan populasi pria-wanita responden (67,8% wanita) berkorelasi dengan kepadatan populasi universitas yang terlibat tetapi mungkin tidak sepenuhnya mewakili populasi pria-dengan-kondisi-pedesaan Türkiye dengan efek yang berbeda pada akses teknologi dan sikap budaya.

Instrumen
Data dikumpulkan menggunakan instrumen survei yang mencakup pertanyaan terbuka dan pertanyaan berbasis skala. Survei ini dirancang untuk menjawab empat pertanyaan penelitian utama:

1. Apa yang terlintas dalam pikiran Anda ketika mendengar istilah pendidikan berbasis AI, dan ide atau emosi apa yang Anda kaitkan dengan konsep ini?
2. Apa pendapat Anda tentang dampak positif dan negatif kecerdasan buatan dalam pendidikan?
3. Emosi apa yang ditimbulkan oleh penggunaan kecerdasan buatan dalam pendidikan dalam diri Anda? Ketika Anda mempertimbangkan dampak teknologi ini di ruang kelas, apa yang membuat Anda bersemangat atau khawatir?
4. Apakah gagasan atau kemungkinan mengalami pembelajaran yang dipersonalisasi dengan kecerdasan buatan memberi Anda rasa sukses yang lebih besar, atau justru membuat Anda merasa terisolasi atau kesepian?

Skala Persepsi Guru Mengenai Penggunaan Kecerdasan Buatan dalam Pendidikan yang dikembangkan oleh Üzüm et al. ( 2024 ) juga digunakan. Skala yang terdiri dari 15 item dan tiga dimensi tersebut dinilai sesuai dengan data yang diperoleh. Analisis reliabilitas menunjukkan bahwa koefisien konsistensi internal alfa Cronbach adalah 0,87 untuk keseluruhan skala, 0,82 untuk persepsi pembelajaran, 0,79 untuk persepsi pengajaran, dan 0,79 untuk persepsi etika.

Prosedur
Proses pengumpulan data melibatkan pemberian survei kepada 540 siswa, melalui format daring atau tatap muka (metode penyampaian spesifik tidak dirinci). Peserta menanggapi pertanyaan terbuka dan item berbasis skala, yang memastikan adanya campuran data naratif dan numerik. Respons kemudian diproses dalam dua aliran: skor sentimen kuantitatif dibuat menggunakan GPT-4 dan data kualitatif dikodekan secara tematis. Triangulasi dan pemeriksaan anggota digunakan untuk memvalidasi temuan kualitatif, yang meningkatkan keandalan hasil.

Analisis data
Analisis data dilakukan dengan dua cara. Analisis kuantitatif melibatkan kategorisasi skor sentimen yang dihasilkan oleh GPT-4 ke dalam tiga kelompok: positif (0,5–1); netral (−0,5–0,5) dan negatif (−1 hingga −0,5). Berbagai teknik statistik digunakan, termasuk statistik deskriptif, ANOVA satu arah dan uji post hoc Scheffé , simulasi Monte Carlo (10.000 iterasi) dan analisis pohon keputusan menggunakan metode CHAID (Chi-squared Automatic Interaction Detection) yang merupakan algoritma pohon keputusan yang digunakan untuk klasifikasi dan segmentasi dalam SPSS. Analisis kualitatif melibatkan penggunaan grounded theory yang terdiri dari open coding, axial coding dan selective coding. Pendekatan metode campuran ini memberikan kerangka kerja yang sangat baik untuk memahami signifikansi statistik dan kekayaan tematik sentimen mahasiswa.

Keterbatasan
Keterbatasan studi ini mencakup akurasi pohon keputusan yang moderat, yang tidak dapat memperhitungkan banyak prediktor bernuansa yang mungkin, dan ketidakmampuan analisis sentimen untuk menentukan tingkat nuansa emosional yang lebih tinggi meskipun GPT-4 memiliki kemampuan (Taboada, 2016 ). Desain cross-sectional dan pengambilan sampel yang mudah semakin membatasi bukti untuk wawasan temporal dan generalisasi. Penelitian longitudinal di masa mendatang dapat mengeksplorasi perubahan sentimen dari waktu ke waktu serta dalam budaya lain di luar Turki. Penelitian di masa mendatang juga dapat memeriksa prediktor seperti kepercayaan atau paparan AI sebelumnya, seperti yang ditunjukkan oleh Obenza et al. ( 2024 ).

Studi ini menggunakan istilah ‘pendidikan berbasis AI’ dalam arti yang sangat luas untuk mencakup serangkaian teknologi yang beragam yang membentuk lingkungan belajar saat ini, tetapi tidak menguraikan secara rinci alat AI mana yang secara khusus (seperti ChatGPT, Grammarly, atau platform pembelajaran adaptif seperti Smart Sparrow atau tutor virtual) yang digunakan siswa. Generalisasi yang begitu luas diupayakan untuk menangkap perasaan umum terhadap integrasi AI dalam pendidikan, mengingat banyaknya variasi alat yang tersedia dan, dengan demikian, tingkat paparan siswa terhadap alat tersebut yang berbeda-beda. Ketidakjelasan ini dapat membatasi penerapan langsung temuan tersebut bagi guru yang ingin menerapkan alat tertentu.

Model pohon keputusan cukup akurat dan mungkin terbatas dalam generalisasinya. Meskipun analisis sentimen menggunakan GPT-4, model tersebut mungkin tidak menangkap semua perbedaan emosional yang halus. Temuan terbatas dalam wawasan temporalnya karena desain cross-sectional, sementara pengambilan sampel yang mudah mungkin telah memengaruhi representatif. Lebih jauh, penelitian ini mungkin secara tidak sengaja terlalu menekankan peran metode dan konsep tertentu. Monte Carlo memang merupakan metode yang kuat dan metode analisis sentimen yang umum diterapkan; namun, sedikit nilai tambah di luar statistik sederhana sebelumnya yang telah menetapkan tren sentimen positif. Raychaudhuri ( 2008 ) menyatakan bahwa mean dan interval kepercayaan melakukan hal itu. Karena hal ini, akurasi sedang dari pohon keputusan cenderung menimbulkan kekhawatiran tentang kemampuan overfitting dan kesalahan klasifikasi, oleh karena itu kehati-hatian yang maksimal harus diambil dalam menafsirkan prediktor seperti usia dan persepsi etika. Konsep katalis bermata dua muncul dalam penelitian sebagai temuan inti; Namun, metode ini banyak mengambil inspirasi dari temuan sebelumnya (Lin & Chen, 2024 ), dan kebaruannya yang sebenarnya terletak pada konteksnya, yaitu konteks Turki. Metode-metode ini harus divalidasi dalam penelitian lebih lanjut, dan perbedaannya harus diperjelas untuk meningkatkan ketahanannya.

HASIL SENTIMEN PERTANYAAN KUALITATIF
Analisis dilakukan melalui pengelompokan (binning) skor sentimen dari respons peserta terhadap pertanyaan pertama: ‘Apa yang terlintas di pikiran Anda ketika mendengar tentang pendidikan berbasis AI, Apa yang Anda pikirkan atau rasakan terkait konsep ini?’ (lihat Gambar 1 ). Hasil analisis menunjukkan bahwa pendidikan berbasis AI umumnya dibangun secara positif, karena sebagian besar orang menganggapnya memiliki lebih banyak ide dan emosi positif yang melekat padanya. Dua respons (0,4%) tidak ada, yang dapat diabaikan dan mungkin tidak memengaruhi interpretasi keseluruhan, tetapi adanya emosi netral dan negatif menunjukkan bahwa sementara pendidikan berbasis AI dapat dipahami secara umum, beberapa hambatan layak diungkapkan dengan melakukan publisitas atau etika dalam implementasi, atau bahkan meningkatkan implementasi.

Sementara, secara umum, 35% responden yang tidak sepenuhnya setuju, pendidikan berbasis AI dipandang positif. Histogram yang ditunjukkan pada Gambar 2 menggambarkan distribusi skor sentimen rata-rata yang diperoleh dari 1000 simulasi Monte Carlo berdasarkan data yang diberikan. Garis putus-putus merah menunjukkan skor sentimen rata-rata, yang berada dalam kisaran positif dan sesuai dengan temuan sebelumnya bahwa sebagian besar responden memiliki pandangan yang baik tentang pendidikan berbasis AI. Distribusi tersebut menyiratkan bahwa untuk sebagian besar contoh resampling, rata-rata tetap dalam kisaran positif, sehingga memperkuat prospek positif secara keseluruhan. Sementara distribusi tersebut menunjukkan beberapa bias sentimen positif, namun tetap diselingi dengan skor sentimen negatif dan netral. Ini menegaskan bahwa, meskipun diterima di seluruh dunia, masih ada beberapa keraguan, reservasi, dan ketidaksetujuan dari sebagian besar minoritas sekitar 35%. Mengingat konsistensi keseluruhan untuk sentimen positif di seluruh simulasi ini, kita sekarang dapat mengatakan bahwa pendidikan berbasis AI, secara umum, diterima oleh masyarakat umum.

Respons peserta terhadap pertanyaan kedua (lihat Gambar 3 ), ‘Apa pendapat Anda tentang dampak positif dan negatif kecerdasan buatan dalam pendidikan?’, dikategorikan ke dalam kotak untuk analisis. Sementara responden memiliki sikap positif terhadap AI dalam pendidikan terkait pertanyaan pertama, mereka menjadi sedikit lebih defensif ketika mereka harus menilai dampak positif dan negatif spesifik. Ini menunjukkan optimisme umum terhadap AI dalam pendidikan sementara efek jangka panjangnya masih belum pasti. Mengatasi ketidakpastian ini melalui penelitian lebih lanjut, diskusi publik, dan kebijakan AI yang transparan dalam pendidikan dapat membantu menggeser beberapa responden netral ke arah sikap yang lebih jelas.

Peserta mempertanyakan dampak AI terhadap pendidikan secara kritis dengan cara yang sangat netral, memberikan beberapa indikasi kesadaran akan aspek terang dan gelapnya. Hanya ada sedikit hal negatif, dan kontras besar dalam hal dukungan muncul jika dibandingkan dengan pertanyaan pertama, yang mengisyaratkan perlunya mempertimbangkan isu praktis dan etika yang terlibat dalam membangun kepercayaan.

Gambar 4 mengilustrasikan hasil simulasi Monte Carlo untuk skor sentimen saat diuji oleh peserta terhadap dimensi positif dan negatif AI dalam pendidikan. Tidak seperti pertanyaan pertama, di mana peserta umumnya memandang AI dalam pendidikan secara positif, simulasi ini mengungkapkan pergeseran ke arah sentimen yang lebih netral. Memang, ditunjukkan bahwa dalam sebagian besar pertanyaan setelah pertanyaan pertama, orang memiliki kecenderungan yang lebih rendah untuk menyukai AI dalam penilaian kritis terhadap efek jangka panjangnya. Pergeseran ini menunjukkan bahwa, meskipun AI dalam pendidikan akan diterima, ada keraguan tentang masalah praktis dan etika yang ditimbulkannya.

Pandangan atau skor sentimen dari respons peserta pada pertanyaan ketiga (‘Emosi apa yang ditimbulkan oleh penggunaan kecerdasan buatan dalam pendidikan dalam diri Anda? Apa yang menggairahkan atau mengkhawatirkan Anda saat mempertimbangkan dampak teknologi ini di ruang kelas?’) dimasukkan ke dalam kotak untuk dianalisis (Gambar 5 ). Sementara AI dalam pendidikan menggairahkan hampir setengah dari responden, segmen yang berkembang tidak yakin atau khawatir tentang dampaknya di ruang kelas. Ada ruang untuk transparansi, pedoman, dan demonstrasi praktis untuk mengekang ketakutan dan mengatasi keraguan sambil memperkuat keuntungan.

Mendorong peserta untuk berpikir tentang emosi dan masalah pribadi tampaknya memolarisasi sikap terhadap AI dalam pendidikan: antusiasme tentang kemungkinannya muncul bersamaan dengan meningkatnya kekhawatiran. Sementara sekitar 50% responden mempertahankan pandangan positif, minoritas negatif yang substansial dan pemilih yang tidak menentu dalam kelompok netral menyoroti perlunya pendekatan yang seimbang terhadap implementasi.

Histogram pada Gambar 6 menunjukkan skor sentimen simulasi Monte Carlo untuk respons emosional peserta terhadap AI dalam pendidikan. Distribusi ini menunjukkan polarisasi dari dua pertanyaan sebelumnya, yang didominasi oleh hal positif; penilaian negatif berkurang. Skor sentimen rata-rata (garis putus-putus merah) masih positif, yang memberi harapan, tetapi juga meningkatkan kecemasan dan ketakutan. Hampir setengah dari responden memandang AI secara positif terkait penggunaan di ruang kelas, sedangkan yang lain mulai menilai ini lebih netral atau tidak menguntungkan, yang menggambarkan ketidakpastian dan ketakutan seputar AI dalam pendidikan. Skor menunjukkan rentang evaluasi sentimen yang lebih luas, yang menunjukkan bahwa keterlibatan AI dalam pendidikan menghasilkan perasaan yang sangat positif dan negatif.

Respons peserta terhadap pertanyaan keempat, ‘Apakah ide atau kemungkinan mengalami pembelajaran yang dipersonalisasi dengan kecerdasan buatan memberi Anda rasa sukses yang lebih besar, atau apakah itu membuat Anda merasa terisolasi atau kesepian?’, dianalisis dan dikategorikan ke dalam kelompok (Gambar 7 ). Sementara ada penerimaan umum terhadap AI di seluruh pertanyaan lainnya, di sini pembelajaran yang dipersonalisasi membangkitkan ketakutan tentang kesepian dan isolasi. Beberapa peserta merujuk pada rasa sukses dengan personalisasi berbasis AI; namun, banyak yang lain percaya bahwa itu tidak memiliki pengalaman sosial dan emosional dari pembelajaran yang ada dalam pengaturan tradisional.

Mengingat adanya gesekan antara potensi keberhasilan dalam pembelajaran yang dipersonalisasi dan kemungkinan adanya kesepian, para peserta memiliki kekhawatiran yang kuat terhadap kesepian—sesuatu yang tidak tercakup dalam pertanyaan sebelumnya. Hal ini merupakan salah satu ketegangan utama dalam pendidikan yang dibantu AI: sementara personalisasi menawarkan prospek efisiensi dan kustomisasi, ancaman yang menyertainya terhadap hubungan antarmanusia terasa nyata.

Histogram pada Gambar 8 menunjukkan skor sentimen simulasi Monte Carlo untuk respons emosional peserta terhadap pembelajaran personalisasi berbasis AI. Dari pertanyaan sebelumnya, semua merasa baik atau netral tentang AI dalam pendidikan; namun, simulasi saat ini menunjukkan tren negatif yang meningkat. Kekhawatiran atas isolasi sosial dan kesepian kembali menonjol, dengan skor sentimen rata-rata peringkat suasana hati (digambarkan oleh garis putus-putus hitam) jauh lebih rendah daripada yang ditemukan dalam analisis sebelumnya. Ini adalah distribusi yang lebih negatif karena tampaknya ada kekhawatiran bahwa personalisasi berbasis AI dapat kekurangan pembelajaran sosial dan emosional. Pembelajaran AI yang dipersonalisasi dan efisien sekarang juga dianggap mengasingkan.

Uji ANOVA satu arah menghasilkan hasil yang sangat signifikan ( F  = 79,421, p  < 0,001), yang menyiratkan bahwa setidaknya satu dari empat kelompok sentimen menunjukkan distribusi skor sentimen varian yang signifikan. Beberapa perbandingan menggunakan analisis post-hoc Scheffé menunjukkan banyak perbedaan yang signifikan secara statistik antara kelompok-kelompok tersebut. Kelompok 1 (V1 = 1) memiliki skor sentimen rata-rata tertinggi (0,4702) dan dengan demikian sentimen paling positif, dan Kelompok 4 (V1 = 4) memiliki skor sentimen rata-rata terendah (−0,0341) dan dengan demikian sentimen paling negatif. Kelompok 2 (0,2094) dan 3 (0,2972) mencerminkan nilai sentimen menengah. Perbandingan berpasangan mengonfirmasi bahwa Kelompok 1 memiliki skor sentimen yang jauh lebih tinggi daripada semua kelompok lain, dan Kelompok 4 memiliki skor yang jauh lebih rendah daripada Kelompok 1, 2 dan 3. Perbedaan skor rata-rata sentimen antara kelompok paling signifikan ( p  < 0,001 dalam sebagian besar perbandingan). Hal ini menegaskan bahwa persepsi sentimen bervariasi di keempat kelompok. Kelompok 4 berisi satu subset yang tampaknya jauh lebih rendah daripada semua kelompok lainnya. Kelompok 2 dan 3 juga diklasifikasikan sebagai satu subset unik, sehingga menunjukkan bahwa kedua kelompok melaporkan skor sentimen yang serupa satu sama lain dan tidak berbeda secara signifikan. Kelompok 1 adalah subsetnya sendiri, yang menegaskan bahwa ia memiliki skor sentimen tertinggi dan berbeda secara signifikan dari semua kelompok lainnya. Uji Scheffé menegaskan bahwa perbedaan maksimum adalah antara Kelompok 1 dan Kelompok 4, yang menyiratkan bahwa Kelompok 1 lebih mungkin menunjukkan sentimen positif daripada Kelompok 4. Setelah pemeriksaan analisis pohon keputusan, kemungkinan peringkat usia dan sentimen menentukan perilaku penggunaan AI oleh siswa. Node 0 menunjukkan bahwa 49,1% dari 538 subjek menggunakan AI cukup sering, 14,1% sangat sering, 25,7% jarang, 11% tidak pernah dan 0,2% kadang-kadang. Uji chi-kuadrat menunjukkan χ 2  = 49,985 dan p  = 0,000, yang menunjukkan bahwa usia memengaruhi keterlibatan dalam AI secara signifikan dalam sampel tiga cabang besar. Subkelompok dengan peserta muda (≤21 tahun, Node 1; 44,6% dari sampel) adalah yang paling sering menggunakan AI. Faktanya, 52,1% sering menggunakan AI, sedangkan 21,2% menggunakannya sangat sering, sementara 7,5% tidak pernah menggunakannya, yang menunjukkan penerimaan penggunaan yang lebih luas. Subkelompok usia menengah (21–25 tahun, Node 2; 44,1% dari sampel) lebih jarang menggunakan AI: 48,9% melaporkan bahwa mereka sering menggunakan AI, sementara 9,3% mengatakan mereka sangat sering menggunakannya. Selain itu, kategori tersebut menunjukkan lebih banyak pengguna yang tidak pernah (9,7%) dan jarang (32,1%) daripada responden yang lebih muda, yang menyiratkan bahwa kelompok menengah ini menggunakan layanan AI dengan lebih hati-hati. Kategori tertua (>25 tahun, Node 3, 11,3% dari sampel) adalah yang paling sedikit terlibat dalam penggunaan AI, dengan hanya 4,9% yang menggunakan AI sangat sering, 37,7% sering, dan 29,5% tidak pernah (Gambar 9 ).

Kelompok yang lebih muda (≤21 tahun) selanjutnya disegmentasikan oleh skor sentimen sikap yang cukup signifikan untuk menyebabkan perbedaan dalam penggunaan AI. Penggunaan AI dari mereka yang memiliki sikap negatif atau netral (≤−0,3, Node 4, 12,1% dari sampel) lebih rendah karena 21,5% dari mereka tidak menggunakan AI sama sekali sementara 13,9% jarang melakukannya. Sebaliknya, siswa dengan sikap positif (>−0,3, Node 5, 32,5% dari sampel) adalah yang paling aktif dalam menggunakan AI, dengan sebanyak 54,9% menggunakan AI secara teratur, 22,3% menggunakannya sangat sering dan hanya 2,3% yang tidak pernah menggunakan AI. Angka-angka ini menjelaskan bahwa seseorang dapat dengan sangat baik memprediksi seberapa banyak AI akan terus-menerus digunakan atau disalahgunakan oleh sentimen yang tercipta dalam pikiran.

Untuk menyelidiki hubungan pengaruh dua variabel keluarga—pengaturan tempat tinggal dengan keluarga dan ukuran keluarga—terhadap empat variabel hasil sentimen berkelanjutan (sentimen 1, sentimen 2, sentimen 3, dan sentimen 4), analisis pohon keputusan CHAID dijalankan. Berikut ini adalah kesimpulan ringkasan dari temuan berdasarkan analisis.

Analisis pohon keputusan CHAID dilakukan untuk menilai apakah pengaturan tempat tinggal dengan keluarga dan ukuran keluarga dapat menyebabkan variasi dalam sentimen 1. Pohon yang dihasilkan hanya terdiri dari simpul akar, Simpul 0, dengan rata-rata keseluruhan rata-rata, M  = 0,470 (simpangan baku, SD = 0,555) untuk semua 538 kasus. Tidak ada pemisahan yang ditemukan signifikan oleh uji chi-kuadrat, yang menunjukkan bahwa tidak satu pun dari kedua prediktor yang secara bermakna membedakan skor sentimen 1. Karena nilai prediksi untuk setiap observasi masih 0,470, disimpulkan bahwa dalam kerangka CHAID, variabel keluarga ini tidak memiliki efek yang terlihat.

Analisis CHAID serupa diterapkan pada sentimen 2 dengan prediktor yang sama: pengaturan tempat tinggal dengan keluarga dan ukuran keluarga. Model tersebut kembali hanya menghasilkan simpul akar (Simpul 0) dan rata-rata keseluruhan M  = 0,209 (SD = 0,380) di 534 pengamatan. Hasilnya, tidak ada pemisahan signifikan yang muncul dan nilai prediksi untuk semua kasus keluar sebesar 0,209. Kurangnya pemisahan ini menunjukkan bahwa variabel terkait keluarga ini tidak secara signifikan memengaruhi skor sentimen 2 dengan pendekatan pemisahan kategoris CHAID.

Dalam kasus ini, analisis pohon keputusan CHAID dilakukan pada sentimen 3 yang berfokus pada pengaturan tempat tinggal dengan keluarga dan ukuran keluarga. Hasilnya, pohon dengan rata-rata M  = 0,297 (SD = 0,569) di 534 pengamatan dihasilkan, yang hanya menghasilkan simpul akar (Simpul 0). Tidak ada subkelompok signifikan yang ditetapkan sebagai hasil analisis ini. Oleh karena itu, nilai prediksi untuk semua kasus tetap 0,297, yang menunjukkan bahwa baik pengaturan tempat tinggal keluarga maupun ukuran rumah tangga tidak secara signifikan membedakan skor sentimen 3 dalam kumpulan data dan kerangka analitis ini.

Terakhir, analisis CHAID dilakukan untuk sentimen 4, menguji efek pengaturan tempat tinggal responden dengan keluarga mereka dan jumlah anggota keluarga mereka. Pohon yang disesuaikan hanya memiliki satu simpul akar (Simpul 0), dengan rata-rata keseluruhan M  = -0,034 (SD = 0,644) dari 537 pengamatan. Tidak ditemukan pemisahan yang signifikan, dan nilai prediksi untuk semua kasus adalah -0,034. Ringkasan Penguatan mengonfirmasi bahwa 100% sampel tetap berada di simpul ini, yang selanjutnya memperkuat klaim bahwa prediktor terkait keluarga tersebut tidak secara signifikan memengaruhi skor sentimen 4 berdasarkan metodologi CHAID.

Analisis pohon keputusan CHAID menyimpulkan bahwa susunan keluarga atau ukuran keluarga tidak memiliki efek signifikan pada keempat variabel sentimen—yaitu, sentimen 1, sentimen 2, sentimen 3, dan sentimen 4. Ini berarti bahwa semua analisis berakhir pada simpul akar karena prediktor ini tidak mencapai signifikansi chi-kuadrat untuk membentuk subkelompok valid yang menunjukkan skor sentimen yang berbeda. Pola ini selanjutnya menunjukkan bahwa, dalam batasan kumpulan data saat ini dan di bawah alasan pembagian kategoris CHAID, variabel terkait keluarga tidak memainkan peran signifikan dalam hasil sentimen ini. Meskipun ini tidak menyangkal efek linier yang lebih lemah atau interaksinya dengan kovariat lain, ini menunjukkan bahwa variabel lain, mungkin demografis, sikap, atau kontekstual, dapat memberikan efek yang lebih kuat.

Analisis pohon keputusan CHAID memungkinkan kami untuk mempertimbangkan apakah departemen responden (program akademik) dapat menjelaskan setiap variasi dalam variabel hasil berkelanjutan sentimen 1. Pohon yang dihasilkan hanya terdiri dari simpul akar (Node 0), yang menunjukkan bahwa departemen tidak dapat memenuhi kriteria CHAID untuk mempartisi data ke dalam kelompok dengan skor sentimen 1 rata-rata yang berbeda secara signifikan. Sentimen 1 rata-rata keseluruhan di Node 0 adalah M  = 0,470 (SD = 0,555), dengan semua 538 observasi digabungkan bersama di bawah satu nilai prediksi sebesar 0,470. Tidak ditemukannya pemisahan yang bertahan memberi tahu kami bahwa, dalam kumpulan data ini, departemen akademik siswa tidak menunjukkan perbedaan operasional sehubungan dengan skor sentimen 1, di bawah pendekatan pemisahan kategoris berbasis CHAID.

Pohon keputusan CHAID dikembangkan untuk mengevaluasi tingkat variabilitas dalam variabel hasil berkelanjutan sentimen 2, yang mungkin dijelaskan oleh departemen akademik mahasiswa. Keluaran dari pohon menunjukkan bahwa hanya simpul akar (Simpul 0) yang tercapai, yang menunjukkan bahwa departemen tidak mencapai signifikansi statistik untuk mengklasifikasikan sampel ke dalam subkelompok dengan rata-rata sentimen 2 yang berbeda secara signifikan. Simpul 0 menyiratkan bahwa rata-rata keseluruhan sentimen 2 adalah M  = 0,209 (SD = 0,380) dengan semua 534 observasi diklasifikasikan ke dalam satu simpul ini, menghasilkan nilai prediksi konstan sebesar 0,209. Tidak adanya pemisahan menunjukkan bahwa, di bawah skema pemisahan kategoris CHAID, afiliasi departemen mahasiswa tidak secara berarti membedakan skor sentimen 2 mereka.

Analisis pohon keputusan CHAID dilakukan untuk mengetahui apakah departemen akademik menjelaskan beberapa varians terkait variabel hasil berkelanjutan sentimen 3. Pohon keputusan yang disesuaikan hanya terdiri dari simpul akar (Simpul 0), sehingga menunjukkan bahwa departemen tidak mencapai signifikansi statistik untuk mempartisi kumpulan data menjadi subkelompok dengan skor sentimen 3 rata-rata yang berbeda. Di Simpul 0, rata-rata keseluruhan sentimen 3 adalah M  = 0,297 dengan SD = 0,569, dengan demikian semua 534 kasus tetap bersama dan menghasilkan nilai prediksi seragam sebesar 0,297. Tidak adanya pemisahan menunjukkan bahwa, untuk tujuan analisis CHAID ini, afiliasi departemen tidak signifikan dalam membedakan skor sentimen 3.

Analisis pohon keputusan CHAID digunakan untuk memastikan apakah departemen (program akademik) dapat menjelaskan varians dalam variabel hasil berkelanjutan sentimen 4. Pohon yang dihasilkan hanya terdiri dari simpul akar (Simpul 0), yang menandakan bahwa departemen gagal memenuhi kriteria CHAID untuk mempartisi data ke dalam subkelompok dengan skor sentimen 4 rata-rata yang berbeda secara signifikan. Di Simpul 0, rata-rata keseluruhan sentimen 4 adalah M  = −0,034 (SD = 0,644), dan semuanya berkontribusi pada satu simpul yang diestimasikan ini dari semua 537 observasi untuk nilai prediksi rata-rata −0,034. Tidak adanya pemisahan menyiratkan bahwa di bawah premis pemisahan kategoris CHAID, afiliasi departemen tidak secara signifikan membedakan skor sentimen 4 siswa. Temuan-temuan ini menunjukkan bahwa jurusan, ketika dinilai secara terpisah, memiliki pengaruh yang sangat kecil pada sentimen 1, sentimen 2, sentimen 3 atau sentimen 4. Tidak adanya hasil nol yang signifikan ini tidak mengesampingkan kemungkinan adanya subjek yang lebih baik untuk dibedakan dengan cara lain (misalnya, melalui regresi linier atau analisis interaksi), tetapi menunjukkan bahwa di sini, afiliasi jurusan saja tidak mengherankan tidak dapat menjelaskan. Studi di masa mendatang dapat memeriksa prediktor atau strategi analisis lain untuk mengungkap perbedaan sentimen di antara mahasiswa, yang berkaitan dengan karakteristik pengenal mereka.

Gambar yang diberikan mewakili pohon keputusan pada Gambar 10 , yang secara diagramatik menggambarkan bagaimana kebiasaan penggunaan AI siswa ditentukan oleh berbagai persepsi, terutama faktor etika dan terkait pengajaran. Pemecahan paling awal menggunakan persepsi etika sebagai kriteria ( nilai- p <0,001, chi kuadrat = 27). Siswa dengan skor persepsi etika ≤4.000 (Node 1) memiliki tingkat adopsi AI yang lebih rendah, dengan persentase yang lebih besar tidak pernah (18,5%) atau jarang (16,7%) menggunakan AI. Mereka yang memiliki persepsi etika >4.000 (Node 2) memiliki kecenderungan lebih besar untuk menggunakan AI, dengan 50,8% sering menggunakan AI dan 12,4% menggunakannya sangat sering. Pemecahan terpenting kedua terjadi atas dasar persepsi pengajaran ( nilai- p = 0,001, chi kuadrat = 21,997). Siswa dengan skor persepsi pengajaran yang lebih rendah (≤22.000) (Node 3) menyatakan frekuensi penggunaan AI yang lebih rendah. Dengan demikian, pohon keputusan memberikan dukungan empiris terhadap proposisi bahwa masalah etika dan manfaat pengajaran yang dirasakan memiliki dampak signifikan pada adopsi AI.

ANALISIS ISI DATA KUALITATIF BERDASARKAN GROUNDED THEORY
Tema yang diberikan responden pada pertanyaan pertama (Tabel 2 ), ‘Apa yang terlintas dalam pikiran Anda ketika mendengar istilah pendidikan berbasis AI, dan ide atau emosi apa yang akan Anda kaitkan dengan konsep ini?’, disajikan dalam Tabel 1. Delapan tema utama muncul dari tanggapan yang diberikan oleh responden dalam Tabel 1 mengenai pendidikan berbasis AI. Singkatnya, sementara responden melihat potensi untuk mengubah pendidikan dengan AI agar lebih personal, mereka juga melihat potensi konsekuensi yang tidak diinginkan untuk tatanan sosial, peran dan tanggung jawab guru, dan kualitas pendidikan vs. efisiensi pendidikan.

TABEL 1. Uji Scheffé.

Catatan : Rata-rata untuk kelompok dalam subset homogen ditampilkan.
a Menggunakan ukuran sampel rata-rata harmonik = 535.744.
b Ukuran kelompok tidak sama. Rata-rata harmonik ukuran kelompok digunakan. Tingkat kesalahan Tipe I tidak dijamin.

TABEL 2. Tema untuk pertanyaan 1—’Apa yang terlintas dalam pikiran Anda ketika mendengar istilah pendidikan berbasis AI, dan ide atau emosi apa yang Anda kaitkan dengan konsep ini?’

 

TABEL 3. Tema untuk pertanyaan 2—’Apa pendapat Anda tentang dampak positif dan negatif kecerdasan buatan dalam pendidikan?’

 

TABEL 4. Tema untuk pertanyaan 3—’Emosi apa yang ditimbulkan oleh penggunaan kecerdasan buatan dalam pendidikan dalam diri Anda? Ketika Anda mempertimbangkan dampak teknologi ini di ruang kelas, apa yang membuat Anda bersemangat atau khawatir?’

 

TABEL 5. Tema untuk pertanyaan 4—’Apakah gagasan atau kemungkinan mengalami pembelajaran yang dipersonalisasi dengan kecerdasan buatan memberi Anda rasa sukses yang lebih besar, atau justru membuat Anda merasa terisolasi atau kesepian?’

Menanggapi pertanyaan tentang apa yang terlintas dalam pikiran ‘pendidikan berbasis AI’, komentar siswa terbagi menjadi delapan tema yang jelas. Di bawah Tema 1 (Teknologi dan Transformasi Digital), S1 berkomentar, ‘Dengan kemajuan teknologi, banyak hal baru telah muncul, AI adalah salah satunya, meskipun saya meragukan manfaatnya yang sebenarnya bagi manusia’, sementara S2 meringkasnya dengan singkat: ‘Robot, teknologi, internet’. Dalam Tema 2 (Akses ke Informasi, Kecepatan dan Efisiensi), S3 mengamati, ‘Ia menyederhanakan hidup dan memungkinkan akses cepat ke informasi’, dan S4 menambahkan, ‘Kemudahan, kepraktisan, dan pembelajaran aktif’. Untuk Tema 3 (Persepsi dan Pendekatan Metodologis), S5 mengkritiknya sebagai ‘Pendidikan yang tidak sehat’, sedangkan S6 bersikeras, ‘Bahkan tanpa pengetahuan sebelumnya, saya percaya sistem AI akan mengungguli yang sekarang, mempercepat pembelajaran’. Mengenai Tema 4 (Proses Pembelajaran dan Metode Pengajaran), S7 menggambarkan pendidikan berbasis AI sebagai ‘pendekatan yang digerakkan oleh teknologi yang membuat pembelajaran lebih efektif dan efisien’ dan S8 memujinya karena ‘memungkinkan peluang penelitian yang canggih’. Dalam Tema 5 (Risiko, Kekhawatiran, dan Dampak Sosial), S9 memperingatkan, ‘AI dapat menggantikan manusia seiring berjalannya waktu, yang tampaknya berbahaya’, dan S10 menolaknya sebagai ‘Membosankan dan tanpa emosi’. Di bawah Tema 6 (Kreativitas dan Retensi Pengetahuan), S11 dengan antusias, ‘Saya percaya ide-ide kreatif muncul dan informasi mudah diakses, meskipun interaksi manusia dapat berkurang’, sementara S12 hanya mencatat, ‘Simulasi visual’. Untuk Tema 7 (Ekonomi dan Manajemen Waktu), S13 memperingatkan, ‘AI mendorong ketergantungan pada jawaban yang siap’ dan S14 menyoroti, ‘AI secara signifikan mempersingkat proses pemecahan masalah’. Terakhir, dalam Tema 8 (Inovasi dan Pengembangan), S15 memandangnya sebagai ‘kesempatan pendidikan lanjutan yang memfasilitasi penelitian yang lebih luas’ dan S16 menyimpulkan, ‘Saya yakin ini akan membantu mengisi kesenjangan pendidikan dan mendorong kemajuan’.

S1 memuji akses cepat AI ke informasi dan manfaatnya dalam menghemat waktu, sejalan dengan Tema 1 (Kemudahan dan Aksesibilitas) (Tabel 3 ). Namun, S2 memperingatkan bahwa AI mendorong kemalasan dan kecenderungan mengambil jalan pintas, yang mencerminkan Tema 2 (Kemalasan). S3 menyuarakan kekhawatiran tentang kelebihan informasi dan rapuhnya retensi pengetahuan, dengan membahas Tema 3 (Kualitas dan Manajemen Informasi). S4 menekankan kemampuan AI untuk menyederhanakan pemecahan masalah dan meningkatkan produktivitas, dengan mengilustrasikan Tema 4 (Efisiensi dan Pemecahan Masalah). Sebaliknya, S5 menyoroti dilema etika dan risiko keamanan data, dengan menunjuk pada Tema 5 (Etika dan Penggunaan yang Bertanggung Jawab). S6 memperingatkan bahwa ketergantungan yang berlebihan dapat mengikis kebiasaan belajar mandiri dan melemahkan interaksi tatap muka, yang menggarisbawahi Tema 6 (Ketergantungan dan Dampak Sosial). S7 mencatat penurunan orientasi penelitian yang sebenarnya karena siswa mengandalkan AI untuk jawaban cepat, yang dikaitkan dengan Tema 7 (Kesiapan dan Inovasi). Dari sudut pandang evaluatif, S8 menilai dampak keseluruhan lebih positif daripada negatif, sesuai dengan Tema 8 (Persepsi dan Biaya-Manfaat). S9 mempertanyakan penggantian guru manusia dengan otomatisasi, menyentuh Tema 9 (Peran Teknologi dan Peran Manusia). Terakhir, S10 mengamati bahwa meskipun AI dapat meningkatkan kinerja akademis, penggunaan yang berlebihan dapat merusak pembelajaran mendalam dan pemikiran kritis, yang sejalan dengan Tema 10 (Hasil Pembelajaran dan Kinerja). Bersama-sama, suara-suara ini mengungkapkan gambaran yang bernuansa: AI menjanjikan kemudahan dan efisiensi yang belum pernah terjadi sebelumnya, tetapi juga menimbulkan kekhawatiran tentang kemalasan, penggunaan yang etis, dan pelestarian keterampilan penelitian dan pembelajaran inti.

Respons terhadap pertanyaan ketiga—’Emosi apa yang Anda alami dengan penggunaan kecerdasan buatan dalam pendidikan? Apa yang membuat Anda bersemangat atau khawatir saat mempertimbangkan teknologi ini di ruang kelas?’—menghasilkan tema-tema yang disajikan dalam Tabel 4. Tabel tersebut merangkum 11 tema yang mencerminkan respons emosional yang dimiliki peserta terhadap AI dalam pendidikan. Singkatnya, meskipun ada kegembiraan atas aspek praktis, inovatif, dan efisien dari penggunaan AI dalam pendidikan, ada kekhawatiran yang jelas tentang kemungkinan dampak negatifnya terhadap kualitas pembelajaran, kreativitas, hubungan interpersonal, dan proses pendidikan secara keseluruhan.

Hal ini diungkapkan oleh siswa terhadap setiap tema analitis. Pertama, banyak yang menyatakan efek positif teknologi dalam pendidikan: AI adalah ‘manfaat teknologi untuk pendidikan’ [S1]; AI seharusnya membuat pelajaran ‘berjalan lebih cepat’ [S2]; atau membuat Anda merasa seolah-olah ‘berada di dalam kelas tanpa meninggalkan tempat duduk’ [S3] atau bahkan menjanjikan ‘pelajaran 3-D yang realistis’ [S4]. Namun, suara-suara lain mengungkapkan tantangan negatif dan memperingatkan, ‘itu adalah jenis pendidikan yang salah dan tidak efisien’ [S5]; jawaban yang mudah berarti ‘orang tidak akan tahu bagaimana mereka akan mengatasi kesulitan’ [S6] dan ada ratapan tentang ‘hilangnya kebiasaan membaca’ [S8]. Di antara kedua ekstrem ini terdapat ambivalensi yang beragam: ‘simpanan pengetahuan AI yang tak ada habisnya membuat saya bersemangat, tetapi polusi informasi membuat saya takut’ [S9]; ‘membantu dan membuat banyak orang pasif’ [S10]. Ambivalensi ini memengaruhi dimensi emosional-afektif, di mana siswa melaporkan perasaan ‘takut, cemas, gembira’ [S11] atau ‘rasa ingin tahu bercampur khawatir’ [S12] secara bersamaan; dan beberapa mengakui bahwa mereka ‘bahkan tidak merasakan emosi sama sekali’ [S13]. Kekhawatiran serupa muncul tentang hubungan guru-siswa; beberapa khawatir bahwa ‘dialog seperti robot dapat menghalangi diskusi’ [S7] sementara AI dapat ‘melemahkan hubungan guru-siswa’ [S14]; namun yang lain melihatnya sebagai ‘meringankan beban guru dan menyederhanakan penjelasan’ [S15], dengan menegaskan ‘bahwa teknologi tidak boleh sepenuhnya menggantikan bimbingan manusia’ [S16]. Hampir semua orang mendukung efisiensi, kecepatan, dan aksesibilitas; mereka merayakan ‘kepraktisan, kecepatan, penghematan waktu’ [S17] AI; namun, pembicara yang sama memperingatkan bahwa ‘jawaban yang siap tidak akan pernah cocok dengan pembelajaran yang lebih mendalam’ [S18]. Harapan untuk inovasi dan kreativitas muncul—cakrawala yang luas dan dukungan untuk proyek-proyek baru dijanjikan oleh AI sebagai sebuah pencapaian [S4, S9]—tetapi begitu pula ketakutan akan ketergantungan dan risiko di masa depan: ‘Semua orang akan bergantung pada solusi yang sudah jadi dan menjadi malas [S19]’ dan yang ditakutkan adalah ‘AI dapat merenggut profesi saya’ [S20]. Seperti yang ditunjukkan oleh kutipan-kutipan ini, para pelajar membahas AI di kelas dengan motif campuran antara antusiasme, kekhawatiran, rasa ingin tahu, dan refleksi yang serius, yang secara langsung tergambar dalam kerangka tematik penelitian.

Tabel 5 mengacu pada tema dari respons peserta terhadap pertanyaan keempat—’Apakah pembelajaran AI yang dipersonalisasi memberi Anda rasa sukses yang lebih besar, atau justru membuat Anda merasa terisolasi dan kesepian?’ Tujuh tema disajikan dalam tabel yang mencerminkan respons emosional peserta terhadap gagasan pembelajaran yang dipersonalisasi dalam AI. Secara keseluruhan, sementara beberapa orang melihat pembelajaran yang dipersonalisasi dalam kecerdasan buatan sebagai sarana untuk meraih kesuksesan dan kesejahteraan emosional yang lebih besar, yang lain terus khawatir bahwa hal itu dapat membawa seseorang pada perasaan terisolasi, berkurangnya kontak sosial, dan dampak sosial yang jauh lebih luas.

Refleksi siswa mengelompok di sekitar tujuh tema yang saling terkait—lebih dari satu sering kali tercampur aduk dalam satu tarikan napas. Keberhasilan dan Hasil Emosional Positif muncul setiap kali AI dipandang sebagai akselerator penguasaan: beberapa siswa merayakan ‘bantuan langkah demi langkah yang memungkinkan saya menaiki setiap anak tangga menuju kesuksesan’ [S58] atau bersukacita bahwa ‘pembelajaran yang dipersonalisasi meningkatkan efisiensi saya dan saya merasa saya mencapai lebih banyak setiap saat’ [S102]. Tetapi teknologi yang sama juga membangkitkan Kesepian, Isolasi, dan Afek Negatif: di satu sisi, beberapa memberi tahu kami ‘interaksi nyata menghilang dan ikatan sosial melemah’ [S29], sementara di sisi lain, ‘jawaban yang membosankan dan tanpa emosi’ [S7] oleh AI entah bagaimana membuat mereka merasa terputus. Terkait erat dengan ini adalah kekhawatiran tentang Defisit Interaksi & Komunikasi Sosial: ketakutan lagi bahwa dialog kelas menjadi berkurang. Jadi, yang satu meramalkan bahwa ‘kerja kelompok dan berbagi ide menghilang’ [S144], sementara yang lain memproyeksikan ‘anak-anak yang terikat layar’ [S170]. Yang lain lagi mengutarakan kekhawatiran ini dalam jargon Teknologi, Pembelajaran & Pengembangan Profesional, dengan mengatakan bahwa mereka menganggap AI sebagai ‘panduan yang memotivasi saya’ [S58] dan sebagai alat yang ‘menganalisis titik lemah saya dan menawarkan aktivitas; itu saja terasa seperti kesuksesan’ [S37], bahkan saat ‘mendorong masyarakat ke arah perilaku asosial’ [S170]. Secara keseluruhan, kontingen yang cukup besar berada dalam keadaan Ambivalensi/Polarisasi Campuran—’setengah kesuksesan, setengah isolasi’ [S93]. Banyak dari pandangan mereka tampaknya berubah-ubah dari satu keadaan ke keadaan lain tergantung pada keadaan. Bagi yang lain, bahayanya adalah Ketergantungan, Individualisme & Keterasingan Sosial: begitu ‘semuanya berasal dari mesin,’ mereka takut ‘kita tidak lagi membutuhkan orang’ [S66], sambil hanyut ke dalam ‘persahabatan robotik’ [S170]. Akhirnya, sebagian kecil mengadopsi pendekatan yang lebih Filosofis & Perspektif Hidup, dengan menyatakan bahwa setiap pelajar adalah ‘dunia yang sama sekali berbeda’ dan AI mampu memberikan ‘pengalaman yang menarik dan dibuat khusus—namun hanya jika tidak memutuskan ikatan yang menjadikan kita manusia’ [S212]. Secara kolektif, suara-suara ini menyapu kanvas di mana pendidikan yang dimediasi AI menjanjikan kompetensi yang belum pernah ada sebelumnya tetapi membahayakan perdagangan pembelajaran komunal untuk kejayaan layar yang soliter.

Dengan kata lain, kumpulan data menunjukkan pendidikan AI sebagai sesuatu yang menggairahkan dan menjanjikan di satu sisi, dengan ketidakpastian dan kekhawatiran di sisi lain. Responden menganggap AI sebagai stimulan yang kuat dan positif untuk perubahan pendidikan; namun, mereka menyebutkan kekhawatiran di sisi lain—kekhawatiran tentang ketergantungan, hilangnya interaksi manusia, dilema etika, dan isolasi sosial. Persepsi ganda yang penuh ketegangan dari para peserta memberikan landasan untuk membangun teori yang dinamis, yang mencakup gagasan tentang interaksi timbal balik antara manfaat dan risiko (Gambar 11 ).

Kategori inti
Kecerdasan buatan merupakan pengubah permainan dalam pendidikan. Kecerdasan buatan meningkatkan efisiensi, personalisasi, dan inovasi, tetapi juga menimbulkan masalah bagi manusia, seperti risiko etika, kemungkinan isolasi, dan hubungan yang lebih lemah antara guru dan siswa. Klaim teoritis mengatakan bahwa kegunaan AI dalam pendidikan bergantung pada seberapa baik AI bekerja dengan nilai-nilai yang berfokus pada manusia. Oleh karena itu, AI memberikan pembelajaran yang dipersonalisasi dan ide-ide baru, tetapi juga menimbulkan masalah, seperti kemungkinan untuk menyendiri, perasaan campur aduk, dan pertanyaan moral tentang keamanan data dan peran standar guru. Semua hal ini dapat disatukan untuk membuat satu pernyataan: ‘Pendidikan berbasis AI adalah pedang bermata dua yang menimbulkan tantangan sosial-emosional, etika, dan pedagogis sekaligus meningkatkan efisiensi, personalisasi, dan inovasi.’

DISKUSI
Studi penelitian terkini tentang sikap siswa terhadap pendidikan yang dipengaruhi AI telah mengungkapkan perspektif kompleks yang menggabungkan semangat dan kekhawatiran tentang pengalaman teknologi. Penelitian ini menggunakan metodologi campuran yang terdiri dari analisis sentimen, simulasi Monte Carlo, pemodelan pohon keputusan, dan teori dasar untuk memberikan gambaran lengkap tentang bagaimana 540 mahasiswa universitas Turki memandang teknologi AI dalam pendidikan. Hasilnya menunjukkan bahwa ada sentimen positif secara keseluruhan terhadap penggunaan AI oleh siswa secara umum, berkorelasi positif dengan penelitian seperti Chan dan Hu ( 2023 ), Katsantonis dan Katsantonis ( 2024 ) dan Altares López et al. ( 2024 ). Namun, kepositifan ini bergeser ke arah penilaian netral atau negatif ketika siswa mempertimbangkan implikasi praktis, etika, dan emosional yang spesifik, yang mengekspresikan dualitas yang konsisten dengan dan memperluas penelitian sebelumnya.

Analisis sentimen, yang diperkuat melalui simulasi Monte Carlo, menunjukkan bahwa siswa mempertahankan pandangan positif tentang pendidikan berbasis AI pada awalnya, karena pendapat ini mendapat skor di atas rata-rata dan terbatas pada kategori sentimen positif untuk pandangan umum ( M  = 0,470). Sebagian besar antusiasme mereka ditujukan pada pembelajaran yang dipersonalisasi, pembelajaran yang efektif, dan pendidikan yang lebih mudah diakses, saat menanggapi pertanyaan survei pertama. Namun, sebagian besar sekitar 35% menyatakan pendapat sebaliknya, bertepatan dengan temuan dari Arowosegbe et al. ( 2024 ) dan Yang et al. ( 2024 ), yang menyoroti masalah kepercayaan, ketergantungan yang berlebihan, dan masalah etika pada masalah seperti privasi data. Selain itu, simulasi Monte Carlo mengungkapkan hal ini karena menghasilkan kemiringan positif tetapi juga representasi sentimen netral dan negatif yang cukup besar, yang menunjukkan bahwa AI diterima secara luas tetapi tidak tanpa reservasi (James, 1980 ).

Perubahan menjadi lebih efektif ketika siswa sekali lagi mulai mengevaluasi dampak AI tertentu. Jawaban untuk pertanyaan kedua mengungkapkan penetral emosi ( M  = 0,209) yang menunjukkan visi yang sama tentang kelebihan dan kekurangan AI bahkan menekankan pembelajaran pribadi, bahwa sentimen akan menjadi negatif ( M  = −0,034) yang disebabkan oleh ketakutan akan kesepian dan isolasi. Ini sesuai dengan apa yang telah disajikan oleh Ravšelj et al. ( 2025 ), yang menunjukkan bahwa siswa menghargai efisiensi AI, namun banyak ketakutan akan isolasi sosial atau depersonalisasi menekan antusiasme mereka. Menggunakan simulasi Monte Carlo meningkatkan keandalan estimasi sentimen ini karena mereka mempertimbangkan varians respons berbasis teks dan memberikan dasar statistik yang sangat nyaman (Signoret & Leroy, 2021 ).

Analisis pohon keputusan kemudian menunjukkan apa yang dapat diprediksi sebagai penentu dalam adopsi AI, memperluas cakupan diskusi asli. Usia akan menjadi salah satu yang penting, dengan siswa yang lebih muda (≤21 tahun) menunjukkan tingkat keterlibatan tertinggi pada 52,1% sering menggunakan AI dan 21,2% sangat sering dalam kelompok mereka dibandingkan dengan kelompok yang lebih tua (>25 tahun), di mana 29,5% tidak pernah menggunakan AI. Perbedaan penggunaan berdasarkan usia, didukung oleh uji chi-square yang signifikan ( χ2 =  49,985, p  < 0,001), sejalan dengan temuan yang dibuat oleh Gillespie et al. ( 2021 ). Dalam kelompok termuda ini, sentimen menyempurnakan gambaran ini lebih jauh: mereka yang positif dalam sentimen (>−0,3) sangat terlibat dalam penggunaan AI (54,9% sering, 22,3% sangat sering), sementara mereka yang negatif atau netral (≤−0,3) menggunakan AI pada tingkat yang lebih rendah (21,5% tidak pernah). Artinya, mendorong perasaan positif seperti itu dapat berkontribusi pada adopsi yang lebih besar bahkan di kalangan anak muda yang sudah melek digital.

Pohon keputusan kedua secara menarik menunjukkan bahwa persepsi etika dan pengajaran memiliki pengaruh penting lainnya ( χ2 =  27, p  < 0,001). Umumnya, siswa dengan skor lebih tinggi (>4.000) pada persepsi etika menggunakan AI jauh lebih teratur (50,8% sering, selanjutnya dianggap teratur) daripada mereka yang memiliki skor lebih rendah (≤4.000), yang cenderung memiliki tingkat tidak menggunakan yang lebih tinggi (18,5%). Skor yang lebih rendah sehubungan dengan persepsi pengajaran pada akhirnya menunjukkan bahwa skor yang lebih rendah, ≤22.000, akan berarti lebih sedikit keterlibatan. Selain itu, dengan pernyataan di atas, model Technology Acceptance Model (TAM) telah diperluas karena hambatan yang terkait dengan pertimbangan etika dalam hal kegunaan yang dirasakan, dimensi yang tidak begitu menonjol dalam aplikasi umum TAM, menjadi sangat tidak dapat dihindari dalam konteks AI (Brauner et al., 2023 ).

Di sisi lain, analisis pohon keputusan CHAID, yang diambil dari variabel terkait rumah tangga, seperti tempat tinggal, ukuran keluarga, dan sekolah, bahkan tidak mengklasifikasikan satu pun skor sentimen dari keempat pertanyaan tersebut. Hal ini bertentangan dengan Hajam dan Gahir ( 2024 ), yang benar-benar mengajukan kasus untuk perbedaan departemen, yang menyiratkan bahwa efek tersebut dapat dimoderasi oleh alasan kontekstual atau spesifik sampel lainnya. Oleh karena itu, temuan nol menyiratkan bahwa faktor sikap dan demografi, seperti usia dan persepsi etika, lebih kuat daripada faktor struktural dalam membentuk sentimen AI dalam kelompok ini.

Aspek kualitatif dari studi ini melengkapi temuan kuantitatif ini dalam mengeksplorasi tema-tema yang menciptakan kegembiraan dan kekhawatiran. Siswa memuji potensi AI untuk mendorong pembelajaran yang dipersonalisasi, efisiensi dan inovasi, tetapi berbagi kekhawatiran mereka tentang isolasi sosial, masalah etika dan interaksi yang lebih sedikit antara guru dan siswa. Kategori inti teori dasar, ‘Pendidikan berbasis AI adalah pedang bermata dua’, dengan tepat merangkum ketegangan ini, sebuah pengamatan yang juga dilakukan oleh Liu dan Zhang ( 2024 ) dan Thomson et al. ( 2024 ), yang menjelaskan dualitas serupa. Wawasan kualitatif ini memperkuat skor sentimen secara kontekstual dengan ketakutan bahwa efisiensi AI akan mengurangi kedalaman pembelajaran atau dari hubungan manusia, yang juga didokumentasikan oleh Al Zahrani dan Alasmari ( 2024 ).

Temuan-temuan seperti itu memberikan cahaya yang lebih besar pada analisis konten kualitatif—hasil yang ditunjukkan oleh jenis pengumpulan empiris ini yang menunjukkan delapan tema penting mulai dari inovasi digital hingga kekhawatiran tentang risiko etika dan isolasi sosial. Secara khusus, diskusi awal tentang masalah etika, misalnya, privasi, keamanan data, dan bias algoritmik, sangat singkat menurut tanggapan siswa. Para peserta khawatir tentang bagaimana data mereka ditangani dengan salah dan bagaimana mereka akan berakhir dengan keluaran yang bias berdasarkan apa yang telah diproses AI; tema-tema ini juga yang ditimbulkan oleh beberapa karya sebelumnya (Arowosegbe et al., 2024 ; Vaněček et al., 2024 ). Misalnya, Arowosegbe et al. ( 2024 ) mengamati bahwa praktik yang tidak transparan dengan data mengurangi kepercayaan siswa, sedangkan Vaněček et al. ( 2024 ) menunjukkan jenis bias yang berbeda pada penilaian AI. Kebijakan yang direkomendasikan seperti Rekomendasi Etika AI UNESCO (2021) dan Undang-Undang AI (2024) yang diumumkan oleh UE memberikan fokus utama pada bidang transparansi dan keadilan untuk mengatasi masalah tersebut. Semua lembaga harus melakukan audit berkala terhadap sistem AI dan protokol persetujuan data yang jelas untuk menciptakan kepercayaan (Thomson et al., 2024 ). Studi masa depan semacam itu juga harus melihat lebih detail dimensi etika penggunaan AI yang bertanggung jawab.

Dalam hal ini, tema positif yang sesuai dengan TAM akan berhubungan dengan kegunaan yang dirasakan karena siswa tampaknya memahami keuntungan yang dimiliki AI dalam kehidupan mereka (Davis, 1989 ). Namun, mereka juga memiliki kekhawatiran yang meningkat atas etika dan isolasi, yang selanjutnya mengikis pandangan ini sehingga kemudahan penggunaan yang dirasakan tidak memadai untuk adopsi aktual tanpa mengatasi hambatan tersebut. Oleh karena itu, penelitian saat ini menguji dan memperluas cakupan TAM dengan memasukkan aspek emosional dan etika, yang sesuai dengan adaptasi modern yang memperhitungkan kepercayaan dan dampak sosial (Venkatesh et al., 2003; Grassini, 2023 ).

Oleh karena itu, sementara studi ini memberikan wawasan yang cukup besar tentang persepsi siswa Turki tentang AI dalam pendidikan, studi ini kurang dapat digeneralisasikan karena fokusnya pada satu negara sehingga kurang relevan ketika mencoba menyimpulkan darinya dalam studi global. Turki dipilih sebagai lokasi studi karena statusnya yang mungkin eksklusif sebagai jembatan antara Eropa dan Asia, dengan industri teknologi pembelajaran yang sangat dinamis dan investasi pemerintah yang berkembang pesat dalam inisiatif AI, membuatnya relevan untuk menyelidiki persepsi AI di negara berkembang tetapi ambisius ini. Perasaan gembira dan khawatir yang agak campur aduk di antara siswa Turki sesuai dengan temuan internasional seperti yang terlihat di Ravšelj et al. ( 2025 ) dan Arowosegbe et al. ( 2024 ), yang menunjukkan sikap serupa di berbagai konteks budaya. Namun, ketakutan khusus siswa Turki—terhadap isolasi sosial atau mungkin berkurangnya interaksi guru-siswa—mungkin terkait dengan nilai-nilai budaya yang mungkin berbeda dari konteks yang lebih individualistis dan sebaliknya menghargai hubungan interpersonal yang erat. Perbandingan singkat dengan hasil global atau mungkin penjelasan dengan mengacu pada konteks pendidikan dan budaya tertentu di Turki akan memperkuat temuan tersebut, dan penelitian lintas budaya di masa mendatang dapat memperjelas masalah tersebut lebih lanjut.

Temuan tersebut memiliki hasil praktis yang penting. Perbedaan usia dan sikap menyarankan pendekatan yang disesuaikan, misalnya program literasi AI yang dikembangkan khusus untuk siswa muda. Memang, generasi ini perlu memiliki keterlibatan berkelanjutan dalam masalah AI karena mereka relatif antusias dengan yang terakhir. Siswa yang lebih tua, yang sikapnya cenderung lebih berhati-hati, harus ditargetkan dengan transparansi dan jaminan etika. Hambatan persepsi etika menunjukkan pentingnya pedoman yang lebih jelas, seperti yang dicatat oleh Arowosegbe et al. ( 2024 ), untuk mengembangkan kepercayaan dan penerimaan yang lebih besar. Selain itu, institusi harus menggabungkan AI dengan fitur sosial untuk mengatasi masalah isolasi. Prakash et al. ( 2024 ) juga mendukung hal ini.

KESIMPULAN
Menurut penelitian tersebut, siswa menganggap pendidikan berbasis AI sebagai pendorong pembelajaran yang kuat, meskipun mereka menyadari kekurangannya. Dualitas ini membuat pendekatan strategis dan seimbang terhadap integrasi AI dalam pendidikan menjadi sangat penting. Dualitas AI menunjukkan bahwa pendekatan yang seimbang dan berpusat pada manusia harus diadopsi untuk integrasinya, dengan menyatukan pendidik dan pembuat kebijakan, dalam upaya menciptakan lingkungan pendidikan di mana AI bertindak sebagai katalisator perubahan positif dengan melengkapi dan memperkaya praktik pengajaran tradisional sambil menjaga aspek manusiawi dalam pembelajaran.

Temuan studi ini menunjukkan bahwa implikasi praktis untuk penggabungan teknologi AI yang efektif ke dalam pengajaran dan pendidikan cukup signifikan. Ini berarti bahwa sebuah institusi akan terus melakukan penilaian sentimen siswa mengenai AI secara berkelanjutan dengan penerapan alat analisis sentimen yang tepat, dan akibatnya membuat penyesuaian permanen dalam strategi mereka untuk penggabungan AI. Mereka yang mengembangkan kebijakan dan mengatur pendidikan mungkin dapat memanfaatkan informasi ini dalam pembentukan kerangka dasar dan pedoman etika yang akan menanggapi masalah privasi, keamanan data, dan isolasi sosial yang telah diajukan oleh siswa. Lebih jauh, telah ditunjukkan bahwa pemodelan pohon keputusan dapat mengidentifikasi preferensi berdasarkan usia yang dapat secara langsung menginformasikan pesan komunikasi untuk keterlibatan siswa yang lebih besar dan penerimaan inisiatif AI.

REKOMENDASI
Agar AI dapat terintegrasi sepenuhnya dan kokoh dalam pendidikan, lembaga harus memiliki kebijakan yang jelas mengenai etika, privasi, dan akuntabilitas, menyediakan pelatihan berkelanjutan bagi para pendidik, dan secara bertahap meluncurkan penggunaan AI. Para siswa perlu terlibat dengan AI secara kritis sambil tetap memprioritaskan pembelajaran interpersonal. Para pendidik, pembuat kebijakan, dan para ahli harus berkolaborasi untuk memastikan bahwa AI mengembangkan pendidikan dengan penuh tanggung jawab. Hal ini dapat menciptakan lingkungan belajar yang dinamis dan adaptif, bergantung pada teknologi, tetapi menghargai interaksi manusia.