Penilaian Tugas AI Tidak Otomatis Menjadi Nilai Akhir Mahasiswa

Foto: Istimewa

SEVIMA - Penilaian tugas AI dapat membantu dosen membaca kesesuaian jawaban mahasiswa dengan instruksi, tetapi skor mesin tidak otomatis menjadi nilai akhir. Pendidik tetap perlu mengecek alasan penilaian dan mempertimbangkan bukti dalam jawaban. Kegagalan sistem menangkap konteks tugas dapat membuat suatu jawaban mendapat skor yang tidak sebanding dengan mutu pekerjaannya.

Contoh tersebut dipaparkan Dr. Alim Sumarno, S.Pd., M.Pd., dosen Universitas Negeri Surabaya, dalam diskusi daring mengenai kecerdasan buatan di bidang akademik. Waktu pasti pelaksanaan tidak disebutkan dalam transkrip yang tersedia. Ia menunjukkan contoh evaluasi berkas tugas yang diunggah melalui sistem pembelajaran.

"AI sudah memeriksa pekerjaan mahasiswa kemudian AI memberi masukan," tutur Alim. Proses itu mencakup penjelasan mengenai kesesuaian pekerjaan dengan instruksi serta catatan perbaikan yang dapat diperiksa kembali oleh dosen.

Penilaian Tugas AI Berangkat dari Instruksi

Agar penilaian berguna, tugas yang diberikan harus merujuk pada capaian pembelajaran tertentu. Sistem tidak cukup hanya membaca tulisan yang tampak rapi atau panjang. Ia harus membandingkan hasil kerja dengan hal yang sebenarnya diminta, termasuk cakupan materi, bentuk keluaran, dan kedalaman analisis.

Alim mencontohkan penilaian atas tugas presentasi kelompok. Jawaban mahasiswa membahas topik yang masih berkaitan dengan multimedia, tetapi fokusnya berbeda dari instruksi. Mesin menilai ketidaksesuaian tersebut dan menghasilkan skor rendah. Contoh itu menunjukkan bahwa kemiripan bidang bahasan tidak selalu berarti tugas sudah dijawab.

Situasi serupa bisa terjadi pada esai. Mahasiswa mungkin menuliskan banyak konsep benar, tetapi tidak menjawab pertanyaan utama. Dosen perlu membedakan kekayaan pengetahuan dengan ketepatan respons terhadap tugas. AI dapat menandai bagian yang tidak relevan sebagai bahan pemeriksaan awal.

"Jawaban mahasiswa tidak relevan dengan tugas yang diberikan," ungkap Alim ketika membacakan salah satu hasil analisis otomatis. Namun, ia tidak berhenti pada keluaran mesin karena penilaian masih dapat ditinjau ulang.

Penilaian tugas AI juga memerlukan pengujian sebelum dipakai secara luas. Ketika nilai tampak terlalu rendah, dosen dapat memeriksa isi jawaban secara langsung. Kesalahan bisa terletak pada jawaban mahasiswa, rumusan tugas yang kurang jelas, atau cara sistem menafsirkan instruksi. Memahami penyebabnya lebih penting daripada menerima angka hanya karena keluar dari aplikasi.

Keputusan Akhir Berada pada Dosen

Alim memperlihatkan mekanisme yang memungkinkan dosen memasukkan skor sendiri. Nilai tersebut menjadi catatan akademik yang digunakan sistem, sedangkan angka dari AI tetap tersedia sebagai referensi. Pembagian kewenangan ini membantu mencegah penilaian otomatis menggantikan tanggung jawab pendidik.

"Nilai AI ini hanya sebagai rujukan," kata Alim. Dalam contoh yang ia demonstrasikan, keputusan penilaian tetap berada pada dosen meskipun proses pembacaan tugas telah dibantu teknologi.

Sebuah tugas dapat memiliki aspek yang sulit terbaca dari berkas yang diunggah, misalnya proses kerja kelompok, diskusi, orisinalitas keputusan, atau kesulitan teknis di lapangan. Jika aspek tersebut termasuk indikator penilaian, dosen memerlukan bukti tambahan. Skor otomatis dari teks saja tidak dapat mewakili keseluruhan pengalaman belajar.

Merujuk laporan Alim mengenai pemanfaatan AI dalam evaluasi pembelajaran di prosiding Universitas Negeri Surabaya membahas analisis capaian dan keterlibatan mahasiswa. Kerangka ini menunjukkan bahwa evaluasi tidak berhenti pada pemberian nilai untuk satu tugas, melainkan perlu dikaitkan dengan tujuan pembelajaran yang diukur.

Penerapan penilaian berbantuan AI juga memerlukan rubrik yang konsisten. Rubrik memberi dasar untuk membandingkan jawaban antarmahasiswa dan meninjau alasan pengurangan nilai. Tanpa kriteria, dosen sulit membedakan rekomendasi yang dapat dipakai dan yang perlu ditolak.

Selain itu, proses koreksi perlu memberi ruang bagi mahasiswa memahami kekurangan pekerjaannya. Penjelasan yang tepat bisa membantu perbaikan berikutnya, sedangkan angka tanpa umpan balik tidak cukup menunjukkan langkah belajar yang harus ditempuh. Teknologi paling bermanfaat ketika mempercepat pemeriksaan awal sekaligus memperjelas alasan akademik.

Pemeriksaan penilaian otomatis juga perlu mencakup konsistensi terhadap tugas yang berbeda. Jawaban panjang tidak selalu lebih baik daripada jawaban singkat yang tepat. Begitu pula kesalahan format tidak selalu setara dengan kesalahan konsep. Dosen harus memastikan bobot dan kriteria penilaian yang digunakan benar-benar sesuai dengan kemampuan yang sedang diuji.

Jika mahasiswa mempertanyakan nilai, penjelasan semestinya merujuk pada rubrik dan bukti pekerjaannya, bukan semata-mata menyebut angka dari AI. Transparansi menjadi penting terutama ketika satu angka memengaruhi kelulusan atau kesempatan mengikuti mata kuliah lanjutan. Catatan pemeriksaan manusia membantu menjelaskan keputusan tersebut dengan alasan yang dapat ditinjau.

Penggunaan sistem penilaian juga menuntut pengelolaan dokumen mahasiswa secara hati-hati. Berkas tugas dapat berisi identitas dan informasi pribadi. Sebelum digunakan untuk layanan eksternal, kampus perlu menilai aturan akses dan penyimpanan. Hal ini merupakan kebutuhan tata kelola, bukan bukti bahwa sistem yang ditunjukkan narasumber telah mengalami persoalan keamanan.

Bagi dosen, manfaat terbesar bukan hanya jumlah berkas yang dapat dibaca lebih cepat. Waktu yang terbebaskan berpotensi dialihkan untuk memberi umpan balik mendalam pada jawaban yang bermasalah. Dalam pembelajaran, koreksi yang menjelaskan kekeliruan dan kemungkinan perbaikan sering lebih bernilai daripada percepatan munculnya skor.

Penilaian tugas AI karena itu harus diperlakukan sebagai bantuan analitis. Hasilnya perlu dipadukan dengan rubrik, bukti belajar, dan keputusan dosen sebelum menjadi nilai yang berdampak pada rekam akademik mahasiswa.