Dari Demokratisasi Pengetahuan Menuju Ilusi Kepakaran di Era Generative AI

Perguruan tinggi perlu bergerak dari paradigma sempit “mendeteksi plagiarisme” menuju upaya menjaga integritas proses penciptaan pengetahuan. Tugas akademik bukan hanya menghasilkan dokumen akhir. Mahasiswa perlu membaca, memilih bukti, menghubungkan teori, menolak informasi yang tidak relevan, mengubah pendapat setelah menemukan bukti baru, dan mempertanggungjawabkan kesimpulan.

Dokumen final tidak selalu memperlihatkan seluruh proses tersebut. Kehadiran AI justru mendorong universitas untuk kembali memperhatikan cara mahasiswa menghasilkan sebuah karya.

Persoalan lain yang tidak kalah serius adalah fabrikasi. Plagiarisme dan fabrikasi sering muncul dalam pembahasan yang sama, tetapi keduanya memiliki konsep berbeda. Plagiarisme mengambil sesuatu yang benar-benar ada tanpa atribusi yang semestinya. Sebaliknya, fabrikasi menciptakan sesuatu yang sebenarnya tidak ada lalu menyajikannya seolah-olah nyata.

GenAI dapat menghasilkan referensi palsu, DOI yang tidak valid, judul jurnal yang terdengar meyakinkan tetapi fiktif, nama penulis yang salah, kutipan yang tidak terdapat dalam sumber, maupun teori yang keliru. Sistem juga dapat memberikan interpretasi statistik yang terdengar meyakinkan meskipun tidak ada perhitungan yang mendasarinya.

Penelitian Walters dan Wilder pada 2023 memberikan bukti penting mengenai persoalan tersebut. Dalam penelitian mereka, GPT-3.5 menghasilkan 55 persen referensi fabrikasi, sedangkan GPT-4 menghasilkan 18 persen referensi fabrikasi pada sampel yang mereka uji.

Temuan tersebut berasal dari generasi model pada periode tertentu. Karena itu, hasil tersebut tidak dapat digunakan untuk menyimpulkan bahwa seluruh model AI saat ini memiliki tingkat kesalahan yang sama. Namun, penelitian tersebut menunjukkan bahwa risiko fabrikasi memang nyata.

Penelitian Alkaissi dan McFarlane pada 2023 juga menunjukkan bahwa AI hallucination dapat menjadi persoalan serius dalam penulisan ilmiah.

Fabrikasi Dapat Merusak Pengetahuan Ilmiah

Dalam penelitian, fabrikasi dapat membawa dampak lebih jauh daripada plagiarisme. Plagiarisme melanggar kepemilikan atau atribusi terhadap pengetahuan yang sudah ada. Fabrikasi justru memasukkan informasi yang sebenarnya tidak pernah ada ke dalam corpus ilmiah.

Bayangkan jika peneliti menyajikan data sintetis sebagai data empiris, membuat hasil statistik tanpa perhitungan, atau memasukkan referensi palsu ke dalam manuskrip. Peneliti lain kemudian dapat mengutip informasi tersebut dan memperlakukannya sebagai fakta.

Kesalahan itu akhirnya memperoleh penampilan legitimasi melalui proses akademik berikutnya. Karena itu, penggunaan AI dalam penelitian membutuhkan standar verifikasi yang tinggi.

Tanggung Jawab Tetap Berada pada Manusia

Prinsip tersebut sejalan dengan posisi Committee on Publication Ethics (COPE). COPE menegaskan bahwa perangkat AI tidak memenuhi syarat sebagai penulis karena AI tidak dapat memikul tanggung jawab atas sebuah karya, menyatakan konflik kepentingan secara bermakna, maupun bertanggung jawab atas persoalan copyright dan lisensi. Pandangan tersebut sejalan dengan pedoman COPE pada 2023 yang membahas penggunaan AI dalam publikasi ilmiah.

Manusia dapat menggunakan AI sebagai alat, tetapi teknologi tersebut tidak mengambil alih tanggung jawab. Penulis tetap bertanggung jawab atas akurasi data, kebenaran referensi, keaslian analisis, kerahasiaan manuskrip, dan kesimpulan yang mereka tarik.

Pedoman World Association of Medical Editors (WAME) dan International Committee of Medical Journal Editors (ICMJE) juga menekankan prinsip serupa, terutama terkait disclosure, authorship, confidentiality, dan human accountability.

Perguruan tinggi perlu menerapkan prinsip tersebut kepada seluruh komunitas akademik. Mahasiswa tidak boleh menggunakan AI untuk menghasilkan analisis yang tidak mereka pahami. Dosen dan peneliti pun perlu memeriksa setiap artikel, review, laporan penelitian, maupun referensi yang AI bantu hasilkan.

Reviewer menghadapi persoalan khusus karena mereka harus menjaga kerahasiaan manuskrip yang sedang mereka telaah. Memasukkan manuskrip tersebut ke layanan AI tanpa jaminan perlindungan data dapat menimbulkan persoalan confidentiality.

Editor juga tidak dapat menyerahkan keputusan editorial sepenuhnya kepada AI lalu menganggap keputusan tersebut netral hanya karena mesin yang membuatnya. Pada setiap level tersebut, prinsip dasarnya tetap sama: teknologi dapat membantu, tetapi manusia memegang tanggung jawab ilmiah.

Desain Tugas Perguruan Tinggi Perlu Berubah

Perguruan tinggi akan terlalu menyederhanakan persoalan jika hanya menyalahkan mahasiswa. Sebagian penyalahgunaan AI justru dapat menunjukkan kelemahan dalam desain pendidikan tinggi.

Jika sebuah tugas dapat selesai secara memuaskan hanya melalui satu atau dua prompt, dosen perlu bertanya apakah persoalannya terletak pada kecanggihan AI atau pada desain tugas yang terlalu mudah diprediksi.

LLM hampir otomatis dapat menjawab pertanyaan seperti “jelaskan teori X dalam 1.500 kata”. Sebaliknya, tugas yang meminta mahasiswa menghubungkan teori dengan data lokal, mempertahankan pilihan metodologis, membandingkan dua sumber yang bertentangan, atau merevisi argumen setelah menerima umpan balik akan jauh lebih sulit jika mahasiswa hanya mengandalkan keluaran AI.

Kritik tersebut juga berkaitan dengan budaya pendidikan tinggi yang terlalu berorientasi pada output. Perguruan tinggi membutuhkan nilai, IPK, publikasi, sitasi, kelulusan tepat waktu, ranking universitas, KPI, dan indikator administratif untuk berbagai tujuan.

Namun, ketika indikator berubah menjadi tujuan utama, proses belajar mudah kehilangan nilai. Mahasiswa dapat mengejar tugas yang selesai daripada pemahaman. Dosen dapat mengejar jumlah artikel daripada kualitas gagasan. Peneliti pun dapat mengejar kecepatan produksi manuskrip daripada kedalaman penelitian.

Dalam lingkungan seperti itu, AI menjadi menarik karena mampu mempercepat produksi output. Karena itu, institusi sulit menuntut integritas secara meyakinkan jika sistem penghargaan akademiknya sendiri terlalu kuat mendorong kuantitas dan kecepatan.

Keterbatasan AI Detector dalam Era Generative AI

Penggunaan AI detector sering dianggap sebagai solusi cepat untuk membedakan tulisan manusia dari tulisan AI. Namun, bukti ilmiah menunjukkan bahwa alat tersebut memiliki keterbatasan .

Penelitian Liang dan tim pada 2023, misalnya, menemukan bias serius terhadap tulisan penutur bahasa Inggris non-native pada sejumlah detektor yang mereka uji. Penelitian tersebut menemukan rata-rata false-positive rate sebesar 61,3 persen pada esai TOEFL yang mereka analisis.

Angka tersebut tidak menggambarkan performa semua AI detector dalam setiap situasi. Namun, temuan itu menunjukkan bahwa perguruan tinggi tidak dapat menjadikan skor detektor sebagai satu-satunya bukti pelanggaran.

Kesalahan dapat muncul dalam dua arah. False positive dapat membuat dosen mencurigai mahasiswa yang sebenarnya menulis sendiri. Sebaliknya, false negative dapat membuat tulisan AI lolos dari pemeriksaan.

Karena itu, perguruan tinggi sebaiknya tidak mendasarkan keputusan disipliner pada satu skor probabilitas. Institusi dapat memeriksa draf bertahap, version history, catatan penelitian, daftar sumber yang benar-benar dibaca, serta kemampuan mahasiswa mempertahankan argumentasi melalui wawancara atau ujian lisan.

Konsistensi antara tulisan dan kemampuan mahasiswa sebelumnya juga perlu menjadi pertimbangan. Dosen dan institusi harus memberikan kesempatan kepada mahasiswa untuk memberikan klarifikasi secara adil.

Dengan pendekatan tersebut, AI detector dapat berfungsi sebagai indikator awal untuk penelusuran, bukan sebagai dasar penghukuman otomatis.

Membangun Literasi Generative AI dan Epistemik

Perguruan tinggi tidak cukup hanya menjadi “polisi AI”. Institusi perlu membangun AI literacy, information literacy, research integrity, dan epistemic literacy secara bersamaan.

Mahasiswa memang perlu belajar membuat prompt yang efektif. Namun, mereka juga harus mampu memeriksa apakah artikel benar-benar ada, apakah DOI valid, apakah kutipan sesuai dengan sumber asli, apakah jurnal memiliki kredibilitas, apakah statistik didukung data, dan apakah penjelasan AI sesuai dengan teori yang digunakan.

Mereka juga perlu memahami kapan harus mengungkapkan penggunaan AI dan kapan sebaiknya tidak memakai AI karena tujuan tugas justru mengukur kemampuan yang dapat teknologi tersebut gantikan. Zielinski dan tim pada 2023 juga menekankan pentingnya memahami batas penggunaan AI dalam konteks pendidikan.

Kemampuan penting pada era GenAI mungkin bukan sekadar menghasilkan jawaban dengan cepat. Kemampuan yang lebih penting adalah mengetahui kapan seseorang perlu meragukan sebuah informasi.

Perguruan tinggi perlu melatih mahasiswa untuk memeriksa, membandingkan, menelusuri sumber primer, menguji konsistensi argumen, dan menolak jawaban yang tidak dapat mereka pertanggungjawabkan.

Tanpa kemampuan tersebut, mahasiswa dapat menjadi pengguna AI yang produktif tetapi lemah secara epistemik.