Mengajarkan Coding dengan AI Tanpa Melahirkan Vibe Coders: Kerangka Pedagogis 2026

Jika Anda mengajar pemrograman pada tahun 2026, Anda memiliki dua pilihan yang tidak berhasil dan satu pilihan yang berhasil. Dua pilihan yang tidak berhasil sangatlah akrab: melarang AI dari mata kuliah Anda (tidak dapat diterapkan, mendorong penggunaan ke bawah tanah, dan membuat lulusan tidak siap menghadapi industri) atau membiarkan mahasiswa menggunakan AI secara bebas (menghasilkan lulusan yang dapat menulis prompt tetapi tidak dapat menalar). Pilihan yang berhasil lebih sulit. Pilihan ini menuntut Anda untuk merancang ulang bagaimana AI hadir dalam siklus pembelajaran — bukan sebagai pemecah masalah, bukan sebagai alat yang dilarang, melainkan sebagai asisten pengajar yang terstruktur dengan cermat yang mengembalikan kerja kognitif kepada mahasiswa yang baru saja akan dilakukan oleh AI untuk mereka.

Ini adalah kerangka kerja pedagogis yang Anda butuhkan. Bukan daftar kebijakan AI. Bukan perlombaan senjata deteksi. Sebuah model pengajaran yang nyata, yang didasarkan pada riset sains pembelajaran selama tiga dekade tentang perancah (scaffolding) dan zona perkembangan proksimal (zone of proximal development), yang dirancang ulang untuk era alat pengkodean mandiri yang dapat menyelesaikan tugas apa pun.

Panduan ini diperuntukkan bagi pengajar pemrograman yang ingin membangun kurikulum yang menghasilkan pemrogram nyata pada tahun 2026. Kita akan membahas landasan pedagogis, kerangka kerja tujuh tahap untuk pengajaran pengkodean berbantuan AI, pola kelas yang kami lihat berhasil dari CS1 hingga proyek akhir tahun terakhir, serta lapisan verifikasi — termasuk Plagly.ai — yang membuat kerangka kerja ini praktis dalam skala besar.

Mengapa Kedua Ekstrem Gagal pada Tahun 2024-2025

Eksperimen dua tahun telah berakhir dan vonis telah dijatuhkan. Program-program yang melarang AI sepenuhnya (sebagian kecil departemen ilmu komputer pada tahun 2024) melihat penegakan aturan runtuh dalam satu semester, mahasiswa diam-diam melompati kebijakan, dan kesenjangan yang melebar antara mahasiswa mereka dan dunia kerja. Program yang mengambil pendekatan sebaliknya — tidak ada kebijakan, mahasiswa menggunakan apa yang mereka inginkan — menghasilkan lulusan yang tidak dapat melakukan debug pada kode mereka sendiri. Manajer perekrutan merespons dengan menambahkan wawancara pengkodean langsung dan penilaian kompetensi yang gagal dilewati oleh para lulusan tersebut.

Kedua kegagalan tersebut berbagi akar penyebab yang sama. Mereka memperlakukan AI sebagai pertanyaan ya/tidak, bukan variabel pedagogis. Pertanyaan yang tepat bukanlah haruskah mahasiswa menggunakan AI. Pertanyaannya adalah pada titik mana dalam siklus pembelajaran AI harus melakukan intervensi, dan dalam mode apa. Pertanyaan itulah yang dijawab oleh kerangka kerja ini.

Landasan Pedagogis: Perjuangan Produktif dan Perancah (Scaffolding)

Dua konsep dari sains pembelajaran mendasari semua yang mengikuti. Pertama adalah perjuangan produktif (productive struggle): keadaan kognitif di mana seorang pembelajar memiliki cukup informasi untuk membuat kemajuan tetapi tidak cukup untuk membuat kemajuan tanpa usaha. Riset secara konsisten menunjukkan bahwa pembelajaran terjadi dalam perjuangan produktif. Tugas yang terlalu mudah tidak membangun keterampilan. Tugas yang terlalu sulit hanya membangun frustrasi. Titik manis di antaranya — zona perkembangan proksimal — adalah tempat jalur saraf untuk pemecahan masalah sebenarnya terbentuk.

Konsep kedua adalah perancah (scaffolding): dukungan sementara yang disediakan oleh orang lain yang lebih mampu (secara tradisional guru, teman sebaya, atau buku teks) sehingga pembelajar dapat beroperasi tepat di luar kemampuan mandiri mereka. Perancah dihapus secara bertahap saat pembelajar menginternalisasi keterampilan dasar. Perancah yang baik tidak menyelesaikan masalah; itu mendukung mahasiswa untuk menyelesaikan masalah itu sendiri.

Kegagalan pedagogis dari vibe coding menjadi jelas dalam sudut pandang ini: LLM yang menghasilkan solusi siap pakai menghancurkan perjuangan produktif dengan menghilangkan kerja kognitif yang menghasilkan pembelajaran. Itu setara dengan tutor pribadi yang menyelesaikan setiap masalah segera setelah mahasiswa mengerutkan dahi. Mahasiswa tetap berada di meja, tetapi tidak ada pembelajaran yang terjadi karena tidak ada perjuangan yang berlangsung.

Peluang pedagogis juga terlihat. LLM yang sama, dikonfigurasi untuk mempertahankan perjuangan produktif — mengajukan pertanyaan diagnostik, memberikan petunjuk parsial, menolak menulis kode yang belum layak dilihat oleh mahasiswa — adalah alat perancah paling kuat yang pernah diciptakan. Alat ini sabar. Alat ini tersedia tanpa batas. Alat ini beradaptasi dengan setiap mahasiswa. Alat ini tidak pernah frustrasi. Model yang sama yang menghancurkan pembelajaran ketika dikonfigurasi dengan satu cara, justru mengaktifkan pembelajaran ketika dikonfigurasi dengan cara lain.

Riset baru yang diterbitkan di arXiv pada November 2025 (Scaffolding Metacognition in Programming Education) mengonfirmasi hal ini secara empiris. Studi tersebut menemukan bahwa mahasiswa menekankan bahwa sistem AI harus ”menahan diri dari memberikan jawaban lengkap terlalu cepat,” dan lebih menyukai pendekatan terstruktur dengan petunjuk langkah-demi-langkah dan pertanyaan adaptif. Mahasiswa tidak meminta lebih sedikit bantuan AI. Mereka meminta bantuan AI yang dirancang lebih baik.

Kerangka Tujuh Tahap untuk Instruksi Coding Berbantuan AI

Berikut adalah kerangka kerja yang telah kami sempurnakan selama delapan belas bulan terakhir bersama para pengajar pemrograman dari CS1 hingga proyek akhir tahun terakhir. Kerangka kerja ini membagi siklus pembelajaran menjadi tujuh tahapan yang berbeda dan menetapkan apa yang harus dan tidak boleh dilakukan AI pada setiap tahap. Kerangka kerja ini bersifat tegas — tujuannya adalah memberikan standar yang dapat diadaptasi oleh pengajar, bukan menu pilihan yang tak terbatas.

Tahap 1: Menghadapi Masalah

Mahasiswa membaca pernyataan masalah. Peran AI di sini adalah tidak ada. Mahasiswa harus membentuk pemahaman awal mereka sendiri sebelum bantuan AI diizinkan. Ini adalah aturan yang tidak bisa ditawar. Membiarkan AI merangkum atau menjelaskan prompt pada tahap ini memotong pemahaman. Dalam praktiknya, ini dapat ditegakkan melalui aturan kelas (”tidak ada AI selama sepuluh menit pertama”), aturan pengiriman (harus menyertakan pernyataan ulang tertulis dari masalah sebelum bantuan AI), atau hanya melalui harapan budaya yang diperkuat secara konsisten.

Tahap 2: Dekomposisi (Decomposition)

Mahasiswa memecah masalah menjadi sub-masalah. Peran AI di sini adalah pertanyaan diagnostik. Mahasiswa menulis draf dekomposisi, dan AI mengajukan pertanyaan Sokratis tentang dekomposisi tersebut: ”Apa yang berubah jika input kosong?” ”Bagaimana rencana Anda menangani elemen duplikat?” ”Di bagian mana dari sub-masalah Anda kerja algoritmik yang sebenarnya terjadi?” AI dilarang menyarankan dekomposisinya sendiri; ia hanya dapat memeriksa dekomposisi mahasiswa.

Tahap 3: Pemilihan Pendekatan

Mahasiswa memutuskan strategi algoritmik (rekursi vs iterasi, hash map vs array, dll.). Peran AI di sini adalah analisis perbandingan dan trade-off. Setelah mahasiswa mengusulkan suatu pendekatan, AI dapat membandingkannya dengan alternatif, menjelaskan trade-off, dan menanyakan apakah pilihan mahasiswa sesuai dengan batasan. AI tidak memilih. AI membantu mahasiswa memahami apa arti pilihan mereka.

Tahap 4: Implementasi

Mahasiswa menulis kode. Peran AI di sini adalah yang paling bernuansa. Pendekatan defaultnya adalah hanya dukungan sintaks dan idiom: AI dapat menjawab ”apa sintaks Python untuk list comprehension yang memfilter dan mentransformasikan,” tetapi tidak ”tulis list comprehension yang saya butuhkan untuk masalah ini.” AI dapat memperbaiki kesalahan sintaks tetapi tidak merancang ulang fungsi. Untuk mahasiswa tingkat lanjut atau proyek akhir, ini dapat dilonggarkan: AI sebagai pair programmer, dengan mahasiswa yang memimpin. Untuk CS1, ini tidak boleh dilakukan.

Tahap 5: Pengujian dan Debugging

Mahasiswa menjalankan pengujian dan menghadapi kegagalan. Peran AI di sini adalah pembangkitan hipotesis terpandu. Ketika pengujian gagal, AI tidak mengatakan ”bug berada di baris 12.” Ia bertanya: ”Di bagian kode mana Anda pikir bug tersebut berada? Apa yang dikembalikan fungsi Anda saat input kosong? Ceritakan kepada saya apa yang terjadi dengan kasus uji ini langkah demi langkah.” Di sinilah sebagian besar pembelajaran terjadi, dan godaan untuk memotong proses adalah yang tertinggi. AI yang dikonfigurasi dengan baik di sini melatih intuisi debugging yang bertahan seumur hidup karier. AI yang dikonfigurasi dengan buruk menghancurkannya.

Tahap 6: Restrukturisasi dan Refleksi

Mahasiswa memiliki kode yang berfungsi. Peran AI di sini adalah kritik dan penyajian alternatif. AI sekarang dapat menunjukkan bagaimana seorang insinyur senior menulis kode yang sama, menjelaskan mengapa versi mereka lebih baik atau berbeda, dan meminta mahasiswa untuk mengevaluasi perbandingan tersebut. Ini adalah tahap di mana AI dapat menjadi paling generatif — pembelajaran dasar sudah terjadi, dan nilai tambahnya adalah paparan terhadap pola berkualitas lebih tinggi.

Tahap 7: Generalisasi (Generalization)

Mahasiswa harus mentransfer keterampilan ke masalah yang sedikit berbeda. Peran AI di sini kembali ke tidak ada. Variasi kecil dari masalah asli disajikan, dan mahasiswa menyelesaikannya tanpa bantuan AI. Ini adalah momen penilaian. Jika mahasiswa menginternalisasi keterampilan dasar, variasi tersebut sangatlah mudah. Jika mereka tidak menginternalisasinya, variasi tersebut mengungkap kesenjangan.

Mengubah Kerangka Kerja Menjadi Pola Kelas

Kerangka kerja adalah prinsipnya. Pola kelas di bawah ini adalah praktiknya. Setiap pola mengoperasionalkan satu atau lebih tahap kerangka kerja menjadi tugas atau aktivitas konkret. Pengajar secara konsisten melaporkan bahwa ini adalah pola yang berhasil.

• Tugas dua jalur. Setiap tugas besar memiliki bagian "solo" (tahap 7 generalisasi, tidak ada AI) dan bagian "alat" (tahap 1-6, perancah AI). Bagian solo lebih pendek tetapi dinilai sama tinggi. Ini menangkap apa yang sebenarnya dapat dilakukan mahasiswa sekaligus memungkinkan mereka belajar dari AI pada pekerjaan yang lebih besar.
• Pengiriman dekomposisi terlebih dahulu. Sebelum kode apa pun ditulis, mahasiswa mengirimkan dekomposisi tertulis dari masalah. AI dilarang pada tahap ini berdasarkan aturan kelas. Dinilai berdasarkan kejelasan pemikiran, bukan ketepatan akhir. Biasanya bernilai 20-30% dari tugas.
• Chatbot AI yang mengajukan pertanyaan. Sediakan mahasiswa tutor AI khusus mata kuliah (sistem prompt yang menegakkan perilaku tahap 2-5 kerangka kerja) yang harus mereka gunakan untuk mendapatkan bantuan, dan yang menolak memberikan kode langsung. Beberapa universitas telah membangun ini secara internal; opsi siap pakai seperti AI Tutor Code.org menanamkan prinsip Sokratik secara langsung.
• Penilaian khusus debugging. Berikan mahasiswa kode buatan AI yang berfungsi dengan bug halus, dan nilai kemampuan mereka untuk menemukan dan memperbaikinya. Ini melatih tahap 5 secara langsung dan menghargai keterampilan di mana AI sendiri berkinerja paling buruk.
• Latihan prompt-dan-evaluasi. Mahasiswa mempromosikan AI untuk menyelesaikan masalah, mengevaluasi output untuk akurasi dan efisiensi, mengidentifikasi kesalahan atau masalah gaya, dan mengirimkan prompt dan versi yang dikoreksi. Memperlakukan kefasihan AI sebagai keterampilan yang dinilai, bukan jalan pintas.
• Pertahanan lisan. Lima menit per mahasiswa pada tugas-tugas besar. Dua pertanyaan diagnostik: jelaskan fungsi ini kepada saya, dan modifikasi fungsi tersebut untuk menangani variasi kecil. Menangkap semua hal yang dirancang untuk diajarkan oleh kerangka kerja dan hampir tidak ada hal lain.
• Pemindaian verifikasi kelompok. Setiap kiriman melewati lapisan verifikasi yang menyoroti kiriman yang layak untuk diperiksa lebih dalam. Tujuannya bukan untuk menangkap setiap pelanggar aturan. Ini adalah untuk menjaga norma sosial melakukan pekerjaan tetap utuh sehingga kerangka kerja terus berfungsi.

Lapisan Alat: Apa yang Membuat Ini Praktis dalam Skala Besar

Mata kuliah CS1 dengan 200 mahasiswa tidak dapat memverifikasi setiap tugas secara manual, merancang perancah untuk setiap interaksi AI mahasiswa secara manual, atau melakukan pertahanan lisan secara manual pada setiap kiriman. Kerangka kerja ini realistis hanya jika lapisan alat menangani pekerjaan volume tinggi untuk pengajar, dan meninggalkan manusia dalam proses untuk kasus-kasus di mana penilaian manusia memiliki nilai unik. Ini adalah peran praktis Plagly.ai dalam mata kuliah yang dibangun di sekitar kerangka kerja ini.

• Verifikasi kiriman kode. Setiap file yang diunggah melewati pemindaian pembuatan AI yang mengembalikan skor keyakinan dan bendera baris demi baris. Plagly.ai mencapai akurasi 99% di seluruh GPT-5.5, Claude 4.6, Gemini 3.1, dan alat pengkodean mandiri yang menggabungkannya. Kiriman dengan skor AI rendah tidak memerlukan pemeriksaan lebih lanjut. Kiriman dengan skor tinggi diangkat untuk pertahanan lisan.
• Analisis pola tingkat kelompok. Ketika delapan mahasiswa dalam satu kelompok menghasilkan solusi dengan penamaan variabel idiomatis yang sama, kepadatan komentar yang sama, dan templat kode defensif yang sama, kelompok tersebut diangkat secara otomatis. Ini menangkap kegagalan yang dilewatkan oleh analisis kiriman tunggal.
• Verifikasi keaslian proses. Untuk proyek yang lebih besar, Agentic Council Plagly.ai — tujuh model ahli yang menganalisis kiriman berdasarkan kualitas penulisan, struktur, deteksi AI, orisinalitas, dan konsistensi — menghasilkan laporan berreferensi yang mendokumentasikan apakah kiriman tersebut menunjukkan jejak kepenulisan berulang yang biasanya ditunjukkan oleh karya mahasiswa asli.
• Terbalikkan Humanisasi untuk Pengajaran. Fitur Humanize menunjukkan seperti apa kode khas AI. Digunakan di kelas, ini menjadi alat pengajaran: tunjukkan kepada mahasiswa fungsi yang ditulis dalam gaya khas AI di samping fungsi yang sama dalam format mahasiswa idiomatis, dan minta mereka mencantumkan perbedaan yang terlihat. Ini melatih kemampuan pengenalan yang menjadi dasar latihan tahap 2 kerangka kerja.
• Cakupan multibahasa. Sinyal berfungsi untuk Python, JavaScript, Java, TypeScript, C++, Rust, Go, dan bahasa lain yang diajarkan secara luas. Desain kurikulum tidak perlu ditekuk di sekitar keterbatasan alat.

Bagaimana Kerangka Kerja Terlihat Berdasarkan Tingkat Mata Kuliah

Kerangka kerja ini konsisten di seluruh tingkat mata kuliah, tetapi kalibrasinya berubah. Semakin maju mahasiswa, semakin banyak otonomi yang mereka peroleh pada setiap tahap. Tiga titik acuan:

CS1 (Pengantar Pemrograman)

Penerapan kerangka kerja yang ketat. Tahap 1, 4, dan 7 memiliki akses AI minimal. Tahap 2-3 menggunakan AI hanya dalam mode tanya jawab. Tahap 5 debugging dirancang dengan perancah yang ketat. Tujuan pengajar di CS1 adalah membangun infrastruktur kognitif: kemampuan untuk membaca kode, melacak eksekusi, membentuk hipotesis tentang kegagalan. Membiarkan AI melakukan pekerjaan ini di CS1 menghasilkan mahasiswa yang tidak pernah mengembangkan kemampuan ini. Pasangkan ini dengan pemecahan masalah kelas wajib dan pertahanan lisan pada setiap tugas besar.

Struktur Data dan Algoritma

Penerapan kerangka kerja yang moderat. Tahap 4-6 dapat dilonggarkan sedikit. AI sekarang dapat digunakan sebagai pair programmer untuk implementasi, tetapi hanya setelah mahasiswa secara mandiri memutuskan suatu pendekatan (tahap 3). Debugging tetap dirancang dengan perancah yang ketat. Tahap 7 tugas generalisasi menjadi lebih abstrak: buktikan bahwa algoritma Anda berjalan dalam O(n log n), modifikasi implementasi Anda untuk menangani batasan tambahan yang memerlukan pemikiran ulang yang mendalam. Di sinilah mahasiswa yang kuat mulai menggunakan AI secara produktif, dan mahasiswa yang lemah terungkap oleh tugas generalisasi.

Proyek Akhir Tahun Terakhir dan Rekayasa Perangkat Lunak

Penerapan kerangka kerja yang longgar, visibilitas proses yang ketat. Pada tahun terakhir, mahasiswa harus beroperasi lebih dekat dengan model dunia kerja: AI sebagai kolaborator, mahasiswa sebagai pemimpin. Lapisan verifikasi bergeser dari deteksi AI per kiriman ke keaslian proses: riwayat commit, dokumentasi keputusan desain, sesi peninjauan kode yang direkam. Pertahanan lisan menjadi tinjauan desain — dapatkah mahasiswa membenarkan pilihan arsitektur, menjelaskan trade-off, dan memodifikasi desain sebagai respons terhadap batasan baru? Di sinilah investasi kerangka kerja di CS1 membuahkan hasil, atau tidak.

Apa yang Harus Berhenti Dilakukan pada Tahun 2026

Lima praktik yang bertahan dari kurikulum sebelum AI dan sekarang harus ditinggalkan. Masing-masing secara aktif merusak kerangka kerja ketika dipertahankan.

• Berhenti membobot tugas rumah sebesar 70 %+ dari nilai akhir. Siklus evaluasi-pengujian sepenuhnya dapat diotomatisasi. Nilai akhir yang bergantung pada pekerjaan rumah tidak lagi mengukur apa yang diklaimnya diukur. Pindahkan bobot ke pemecahan masalah kelas, pertahanan lisan, dan pencapaian proyek yang diawasi.
• Berhenti menggunakan autograder sebagai satu-satunya dasar nilai. Autograder tidak tahu apakah mahasiswa menulis kode tersebut. Kombinasikan skor autograder dengan lapisan verifikasi, dan nilai yang berarti membutuhkan pertahanan lisan.
• Berhenti memberikan tugas sederhana dengan solusi yang dipublikasikan secara luas. Jika masalah ada di LeetCode, GeeksforGeeks, atau buku teks apa pun yang diterbitkan sebelum 2024, AI telah melihat solusinya. Pernyataan masalah khusus mata kuliah, himpunan data, dan batasan memaksa AI untuk benar-benar bekerja, bukan mengingat.
• Berhenti memperlakukan AI sebagai hal di luar kurikulum. Kefasihan AI sekarang menjadi bagian dari apa yang dilakukan pemrogram di industri. Tugas yang secara eksplisit melibatkan evaluasi output AI, debugging kode buatan AI, atau mengkritik desain yang diusulkan AI mengajarkan keterampilan yang dibutuhkan dunia kerja.
• Berhenti menyembunyikan lapisan verifikasi. Beritahu mahasiswa secara terbuka bahwa kiriman dipindai untuk pembuatan AI, apa yang diharapkan oleh tahap-tahap kerangka kerja, dan apa konsekuensi dari penyalahgunaan. Transparansi meningkatkan norma sosial. Kontrol tersembunyi melahirkan perilaku bermusuhan.

Pertanyaan yang Sering Diajukan

Apakah kerangka kerja ini berfungsi untuk kursus asinkron dan mandiri?

Ya, dengan dua penyesuaian. Pertama, pertahanan lisan bergeser menjadi penjelasan video yang direkam yang dikirimkan mahasiswa bersama setiap tugas besar. Video tersebut singkat (dua hingga lima menit) dan menjawab dua pertanyaan diagnostik yang diberikan bersama tugas. Kedua, alat perancah AI menjadi lebih penting karena pengajar tidak berada di kelas untuk mengarahkan kembali mahasiswa yang meluncur ke mode pemecah masalah. Tutor AI khusus mata kuliah dengan batasan Sokratis (atau prompt sistem yang cermat pada alat umum) membuat hal ini dapat dilakukan.

Bagaimana dengan mahasiswa yang belajar lebih baik dengan membaca kode yang berfungsi?

Kerangka kerja memfasilitasi hal ini secara eksplisit pada tahap 6 (restrukturisasi dan refleksi). Setelah mahasiswa menghasilkan kode berfungsi mereka sendiri, paparan terhadap alternatif buatan AI atau restrukturisasi ahli sangatlah bernilai. Batasannya adalah urutan: AI sebagai teladan datang setelah karya mahasiswa sendiri, bukan sebelumnya. Membaca kode yang baik mengajarkan sesuatu ketika pembaca sudah mencoba memecahkan masalah; membaca kode yang baik sebagai pengganti mencoba memecahkan masalah hampir tidak mengajarkan apa pun.

Bagaimana cara menangani mahasiswa yang sudah menggunakan AI secara intensif dan menolak kerangka kerja ini?

Argumentasikan kasus ini secara terbuka, idealnya pada hari pertama. Tunjukkan kepada mereka data CodeRabbit dari Desember 2025 tentang tingkat kesalahan 1,7x dalam kode yang ditulis bersama AI. Rujuk esai dev.to 30 Days Without AI. Bicarakan tentang wawancara pengkodean langsung dan apa yang sebenarnya dilakukan manajer perekrutan pada tahun 2026. Mahasiswa yang menolak kerangka kerja biasanya adalah mahasiswa yang paling membutuhkannya. Banyak dari mereka belum menghadapi konsekuensi dari vibe coding, dan ketika mereka menghadapinya (sering kali dalam wawancara teknis pertama mereka), mereka cenderung berharap mereka telah menganggap kerangka kerja ini lebih serius sebelumnya.

Dapatkah saya menerapkan kerangka kerja ini secara bertahap daripada merestrukturisasi mata kuliah saya sekaligus?

Ya. Adopsi minimal adalah menambahkan tiga hal ke mata kuliah Anda yang sudah ada: persyaratan pengiriman dekomposisi terlebih dahulu pada satu tugas utama, pertahanan lisan singkat pada tugas yang sama, dan lapisan verifikasi (alat yang memindai kiriman dan mengungkap pola) yang berjalan diam-diam di latar belakang. Tiga tambahan ini membawa Anda sebagian besar jalan tanpa memerlukan desain ulang kurikulum yang lengkap. Sebagian besar pengajar yang bekerja sama dengan kami mulai dari sini dan memperluas ke seluruh kerangka kerja dalam dua hingga tiga semester.

Apa yang harus saya lakukan jika institusi saya belum mengadopsi kebijakan AI yang jelas?

Sebagian besar belum, dan sebagian besar mencari masukan fakultas. Mengadopsi kerangka kerja pada tingkat mata kuliah memberi Anda model yang dapat dipertanggungjawabkan untuk dibawa ke pertemuan kebijakan tingkat departemen: inilah yang kami lakukan di CS1, inilah logikanya, inilah hasilnya. Pengajar yang secara proaktif memodelkan pedagogi yang baik di bidang ini semakin menjadi orang-orang yang membentuk kebijakan institusional. Kerangka kerja ini dirancang untuk dapat dipertahankan dalam percakapan tersebut — kutipan ke sains pembelajaran, referensi ke riset yang ditinjau sejawat, dan landasan yang jelas dalam perjuangan produktif dan perancah semuanya berfungsi sebagai perancah retoris untuk pekerjaan kebijakan.