Dari Demokratisasi Pengetahuan Menuju Ilusi Kepakaran di Era Generative AI

Persoalan yang bahkan lebih serius adalah fabrikasi. Plagiarisme dan fabrikasi sering dibicarakan bersamaan tetapi keduanya berbeda secara konseptual. Plagiarisme menggunakan sesuatu yang benar-benar ada tanpa atribusi yang semestinya. Fabrikasi menciptakan sesuatu yang sebenarnya tidak ada lalu menyajikannya seolah-olah nyata. GenAI dapat menghasilkan referensi palsu, DOI yang tidak valid, judul jurnal yang meyakinkan tetapi fiktif, nama penulis yang salah, kutipan yang tidak terdapat dalam sumber maupun teori yang salah diatribusikan. AI juga dapat menghasilkan interpretasi statistik yang tampak meyakinkan sekalipun tidak pernah ada perhitungan yang mendasarinya.

Walters & Wilder (2023) memberikan bukti yang penting. Dalam penelitian mereka, 55 persen referensi yang dihasilkan GPT-3.5 dan 18 persen referensi GPT-4 pada sampel yang diuji merupakan referensi fabrikasi. Temuan ini memang berasal dari generasi model pada periode tertentu sehingga tidak dapat digunakan untuk menyimpulkan bahwa seluruh model AI saat ini memiliki tingkat kesalahan yang sama. Namun temuan tersebut membuktikan bahwa masalahnya nyata. Alkaissi & McFarlane (2023) juga menunjukkan bagaimana AI hallucination dapat menjadi persoalan serius dalam penulisan ilmiah.

Dalam penelitian, fabrikasi dapat membawa akibat lebih jauh daripada plagiarisme. Plagiarisme melanggar kepemilikan atau atribusi terhadap pengetahuan yang ada. Fabrikasi dapat memasukkan informasi yang sebenarnya tidak pernah ada ke dalam corpus ilmiah. Jika data sintetis disajikan sebagai data empiris, hasil statistik dibuat tanpa perhitungan atau referensi palsu masuk ke manuskrip kemudian dikutip kembali oleh peneliti lain, kesalahan tersebut dapat memperoleh penampilan legitimasi. Karena itu, penggunaan AI dalam penelitian menuntut standar verifikasi yang sangat tinggi.

Prinsip tersebut sejalan dengan posisi Committee on Publication Ethics (COPE). COPE menegaskan bahwa perangkat AI tidak memenuhi syarat sebagai penulis karena tidak dapat memikul tanggung jawab atas sebuah karya, tidak dapat menyatakan konflik kepentingan secara bermakna dan tidak dapat bertanggung jawab atas masalah copyright maupun lisensi (COPE, 2023). Artinya, AI dapat digunakan sebagai alat tetapi tanggung jawab tidak berpindah kepada AI. Manusia tetap bertanggung jawab terhadap akurasi data, kebenaran referensi, keaslian analisis, kerahasiaan manuskrip dan kesimpulan yang ditarik. Pedoman World Association of Medical Editors (WAME) dan International Committee of Medical Journal Editors (ICMJE) juga bergerak dalam prinsip yang serupa, terutama berkaitan dengan disclosure, authorship, confidentiality dan human accountability.

Konsekuensinya harus diterapkan secara konsisten kepada seluruh komunitas akademik. Mahasiswa tidak boleh menggunakan AI untuk menghasilkan analisis yang tidak dipahaminya. Tetapi dosen dan peneliti juga tidak seharusnya menggunakan AI untuk menghasilkan artikel, review, laporan penelitian atau referensi yang tidak diverifikasi. Reviewer menghadapi persoalan khusus karena manuskrip yang sedang ditelaah bersifat rahasia. Memasukkan manuskrip tersebut ke layanan AI yang tidak memiliki jaminan perlindungan data dapat menimbulkan persoalan confidentiality (kerahasiaan). Editor juga tidak dapat menyerahkan keputusan editorial sepenuhnya kepada AI lalu menganggap keputusan tersebut netral karena dibuat mesin. Pada seluruh level tersebut prinsip dasarnya tetap sama, teknologi dapat membantu tetapi tanggung jawab ilmiah tetap berada pada manusia.

Karena itu, akan terlalu sederhana jika perguruan tinggi hanya menyalahkan mahasiswa. Sebagian penyalahgunaan AI justru harus dibaca sebagai kritik terhadap desain pendidikan tinggi itu sendiri. Jika sebuah tugas dapat diselesaikan secara memuaskan hanya melalui satu atau dua prompt, perlu ditanyakan apakah persoalannya semata-mata pada kecanggihan AI atau pada desain tugas yang memang terlalu mudah diprediksi. Pertanyaan seperti “jelaskan teori X dalam 1.500 kata” hampir secara otomatis dapat direspons oleh LLM. Tugas yang menuntut mahasiswa menghubungkan teori dengan data lokal, mempertahankan pilihan metodologis, membandingkan dua sumber yang bertentangan atau merevisi argumen setelah memperoleh umpan balik akan jauh lebih sulit diselesaikan sekadar dengan menghasilkan teks.

Kritik tersebut juga berkaitan dengan budaya pendidikan tinggi yang terlalu terpusat pada output. Nilai, IPK, jumlah publikasi, sitasi, kelulusan tepat waktu, ranking universitas, KPI dan berbagai indikator administratif memang diperlukan untuk tujuan tertentu. Namun ketika indikator menjadi tujuan utama, proses belajar mudah kehilangan nilainya. Mahasiswa dapat terdorong mengejar tugas yang selesai daripada pemahaman. Dosen dapat terdorong mengejar jumlah artikel daripada kualitas gagasan. Peneliti dapat lebih fokus pada kecepatan produksi manuskrip daripada kedalaman proses penelitian. Dalam lingkungan seperti itu, AI menjadi sangat menarik karena mampu mempercepat produksi output. Karena itu, institusi sulit menuntut integritas secara meyakinkan jika pada saat yang sama sistem penghargaan akademiknya terlalu kuat mendorong kuantitas dan kecepatan.

Persoalan berikutnya adalah penggunaan AI detector. Alat tersebut sering dianggap sebagai solusi cepat untuk membedakan tulisan manusia dan tulisan AI. Padahal bukti ilmiah menunjukkan keterbatasannya. Liang et al. (2023), misalnya, menemukan bias yang serius terhadap tulisan penutur bahasa Inggris non-native pada sejumlah detektor yang mereka uji. Rata-rata false-positive rate pada esai TOEFL yang dianalisis mencapai 61,3 persen. Angka tersebut tidak dapat dianggap sebagai performa universal semua AI detector pada semua situasi tetapi cukup menunjukkan bahwa skor detektor tidak dapat diperlakukan sebagai bukti tunggal pelanggaran.

Kesalahan dalam dua arah sama-sama mungkin. False positive dapat membuat mahasiswa yang menulis sendiri dicurigai menggunakan AI. False negative dapat membuat tulisan AI lolos. Karena itu keputusan disipliner seharusnya tidak didasarkan pada satu skor probabilitas. Perguruan tinggi perlu menggunakan pembuktian yang lebih luas, seperti draft bertahap, version history, catatan penelitian, daftar sumber yang benar-benar dibaca, kemampuan mempertahankan argumentasi dalam wawancara atau ujian lisan, konsistensi antara tulisan dan kemampuan mahasiswa sebelumnya serta kesempatan klarifikasi yang adil. AI detector sebaiknya berfungsi sebagai indikator yang perlu ditelusuri, bukan sebagai alat penghukuman otomatis.

Dari sini terlihat bahwa perguruan tinggi tidak cukup menjadi “polisi AI”. Institusi perlu membangun AI literacy, information literacy, research integrity dan epistemic literacy secara bersamaan. Mahasiswa tidak cukup diajarkan cara membuat prompt yang efektif. Mereka perlu diajarkan cara memeriksa apakah artikel benar-benar ada, apakah DOI valid, apakah kutipan sesuai dengan sumber asli, apakah sebuah jurnal kredibel, apakah statistik benar-benar didukung data dan apakah penjelasan AI sesuai dengan teori yang digunakan. Mereka juga perlu memahami kapan penggunaan AI perlu diungkapkan dan kapan AI tidak seharusnya digunakan karena tujuan tugas justru mengukur kemampuan yang sedang digantikan AI (Zielinski et al., 2023).

Kemampuan penting pada era GenAI mungkin justru bukan semakin cepat menghasilkan jawaban. Kemampuan yang lebih penting adalah mengetahui kapan sebuah jawaban patut diragukan. Perguruan tinggi perlu melatih kebiasaan memeriksa, membandingkan, menelusuri sumber primer, menguji konsistensi argumen dan menolak jawaban yang tidak dapat dipertanggungjawabkan. Tanpa kemampuan tersebut, mahasiswa dapat menjadi pengguna AI yang produktif tetapi lemah secara epistemik.