Kerangka Human-Centric AI-First (HCAIF): Panduan Lengkap untuk Dosen & Institusi
Pendidikan tinggi bergerak menuju model pembelajaran yang lebih manusiawi dan adaptif. White paper ini membedah kerangka HCAIF secara utuh—dari landasan teoretis, pemetaan Taksonomi Bloom, panduan operasional dosen, contoh kelas, hingga workflow implementasi enam fase untuk program studi.
Kebangkitan pesat perangkat generative artificial intelligence (AI generatif) seperti ChatGPT—selanjutnya disebut GenAI—memaksa para pendidik bisnis meninjau ulang kurikulum mereka secara mendasar. Model pengajaran tradisional tidak lagi memadai untuk membekali mahasiswa menghadapi dunia tempat GenAI menulis ulang aturan kerja dan kepemimpinan. Di saat yang sama, pendidikan tinggi tengah bergerak menuju model pembelajaran yang lebih adaptif dan human-centric (berpusat pada manusia), yang menekankan penerapan etis serta umpan balik yang dipersonalisasi.
Tantangan bagi sekolah bisnis pun jelas: bagaimana beradaptasi dengan realitas baru ini tanpa kehilangan nilai-nilai kemanusiaan dan relevansi sosial? Jawabannya terletak pada adopsi kerangka pedagogis human-centric AI-first (HCAIF)—pendekatan terstruktur, etis, dan adaptif dalam mengintegrasikan GenAI ke pendidikan bisnis. Meski adopsi AI memunculkan kekhawatiran seputar etika dan aksesibilitas, pendekatan ini menjanjikan demokratisasi pembelajaran, peningkatan keterlibatan, serta persiapan pemimpin masa depan. Pertanyaannya bukan lagi apakah transformasi ini perlu dilakukan, melainkan bagaimana—dan seberapa cepat—kita mewujudkannya.
Mengapa Kita Harus Berinovasi
Sebagai pendidik bisnis, kami berupaya mencapai lima tujuan utama di kelas, yaitu:
- Menyesuaikan pembelajaran dengan kebutuhan individu mahasiswa.
- Memberikan umpan balik berkelanjutan untuk menopang summative assessment (asesmen sumatif) dan pertumbuhan iteratif.
- Mengembangkan kompetensi yang esensial untuk menerapkan pengetahuan dalam konteks dunia nyata.
- Mengajarkan tacit knowledge (pengetahuan implisit) yang diperlukan untuk mengenali peluang, merintis usaha baru (venture creation), dan mengambil keputusan strategis.
- Mendorong penggunaan GenAI yang etis dan tepat, agar mahasiswa tidak mengorbankan proses belajar demi jawaban instan yang mudah.
Sayangnya, strategi pengajaran konvensional menyulitkan pencapaian tujuan-tujuan tersebut. Jauh sebelum ChatGPT hadir, teori experiential learning (pembelajaran berbasis pengalaman) David Kolb pada 1980-an telah menekankan pentingnya pembelajaran praktis di dunia nyata, dan riset 2007 oleh Peter Brusilovsky serta Eva Millán menyoroti bagaimana adaptive learning systems (sistem pembelajaran adaptif) dapat menyesuaikan konten dan umpan balik bagi setiap pembelajar. Kehadiran GenAI semakin menelanjangi keterbatasan kerangka pedagogis tradisional—namun sekaligus menawarkan peluang yang belum pernah ada sebelumnya untuk mewujudkan transformasi tersebut, sembari menyelami pertanyaan seputar etika, kesetaraan, dan pelestarian nilai-nilai kemanusiaan.
Landasan Teoretis: Pergeseran Paradigma menuju Human-Centered AI
Transisi menuju model yang lebih adaptif ini bukanlah tren sesaat, melainkan evolusi mendasar menuju Human-Centered AI (HCAI). Le Dinh (2025) menekankan bahwa sistem HCAI di pendidikan tinggi dirancang untuk menjadi sensitif, dapat dikelola, dan adaptif terhadap konteks manusia—menolak otomatisasi buta, dan memilih jalur di mana teknologi bertindak sebagai asisten cerdas (intelligent assistant) yang mempersonalisasi pembelajaran. Lebih lanjut, Coman (2026) menjelaskan bahwa HCAI kini dipandang sebagai disiplin ilmu yang muncul untuk menjembatani peluang dan tantangan GenAI secara etis.
Dalam ranah pembelajaran adaptif, tinjauan sistematis terbaru menunjukkan bahwa integrasi large language models (model bahasa besar) telah mengubah adaptive learning (pembelajaran adaptif) dari sekadar penyesuaian tingkat kesulitan menjadi pemetaan jalur belajar yang dinamis dan preskriptif. Riset dalam Education Sciences menambahkan bahwa model adaptif kini mampu melibatkan berbagai dimensi psikologis dan edukatif mahasiswa secara personal. Sementara itu, Alfredo (2024) menyoroti bahwa human-centred learning analytics (analitik pembelajaran yang berpusat pada manusia) krusial untuk memastikan data AI digunakan memberdayakan mahasiswa, bukan sekadar mengawasi mereka.
Namun, personalisasi yang digerakkan AI menuntut tata kelola ketat. Afzal (2026) memperingatkan bahwa strategi AI yang sukses harus memadukan kapabilitas teknologi, relevansi pedagogis, dan ethical governance (tata kelola etis).
Dalam konteks riset akademik, prinsip yang sama berlaku: NotebookLM dan LLM sejenis dapat membantu sintesis literatur, tetapi risiko halusinasi mengharuskan alur kerja verifikasi yang ketat. Untuk pendekatan terstruktur, lihat workflow NotebookLM untuk jurnal ilmiah tanpa halusinasi yang diterapkan tim Aurinoworks.
Lima Pilar Pendidikan Berbantuan AI
Kerangka HCAIF dikembangkan oleh para dosen Newcastle Business School, University of Newcastle (Australia), setelah 20 bulan riset dan eksperimen intensif penggunaan GenAI untuk mengajar kewirausahaan (entrepreneurship), dan kini menjadi fondasi program sarjana baru di bidang inovasi dan kewirausahaan. Sebagaimana dirangkum dalam Gambar 1, kerangka ini berdiri di atas lima pilar fondasional dengan kemitraan khas manusia–AI:
Persiapan
Dosen + AI- Menyelaraskan konten dengan tujuan pembelajaran dan kompetensi.
- Memetakan latihan serta asesmen terhadap kompetensi.
- Membangun & memelihara repositori sumber daya.
Keterlibatan Kelas
Dosen + Mahasiswa + AI- Mahasiswa terlibat dalam pembelajaran berbasis pengalaman.
- Dosen menjadi pelatih; AI menghasilkan umpan balik personal.
- Tugas menekankan kerja tim, tinjauan sejawat, refleksi, perencanaan.
Pembelajaran Personal
Mahasiswa + AI- Berinteraksi dengan konten & latihan ciptaan AI.
- Berkreasi bersama AI dalam tim.
- Memadukan wawasan GenAI dengan umpan balik sejawat.
- Berefleksi, belajar, dan memperbaiki diri via masukan AI.
Asesmen Sumatif
Dosen + AI- AI menilai keluaran mahasiswa.
- AI merampingkan penilaian & umpan balik tailored.
- Dosen menyempurnakan asesmen hasil AI.
Pemantauan Berkelanjutan yang Personal
Pilar Penopang- AI melacak kemajuan kompetensi: growth mindset, kecakapan GenAI, berpikir kritis & pemecahan masalah.
- Dosen memakai wawasan AI untuk mengevaluasi dan memperbaiki proses pembelajaran.
Persiapan
Dosen “berkolaborasi” dengan AI merancang latihan dan asesmen yang selaras dengan kompetensi, sembari membangun repositori sumber daya yang diperbarui secara dinamis sesuai kebutuhan pendidikan yang berkembang.
Pembelajaran Personal
Mahasiswa memanfaatkan GenAI untuk kreativitas, riset, pembuatan konten, purwarupa (prototyping), dan presentasi; berkreasi bersama dalam tim; menerima umpan balik instan; lalu memadukan wawasan AI dengan tinjauan sejawat untuk merefleksikan dan memperbaiki hasil.
Keterlibatan Kelas
Dosen, mahasiswa, dan AI berkolaborasi menciptakan lingkungan imersif: dosen menjadi pelatih dengan umpan balik terarah, memfasilitasi kerja tim dan tinjauan sejawat, serta mengintegrasikan refleksi dan perencanaan di setiap sesi.
Asesmen Sumatif
AI menghasilkan asesmen dan penilaian yang dipersonalisasi—menilai proses maupun hasil—sementara dosen mengawasi dan menyempurnakannya agar akurat dan selaras dengan standar akademik.
Pemantauan Personal
AI memantau trajektori belajar secara waktu-nyata, sehingga dosen dapat mengidentifikasi kekuatan mahasiswa dan memberikan dukungan tepat sasaran—bantuan yang dibutuhkan, saat dibutuhkan.
Mahasiswa menunjukkan secara jelas bagaimana dan di mana GenAI digunakan dalam karyanya, memungkinkan pendidik menilai pemecahan masalah, pemikiran kritis, dan kecakapan berkreasi bersama AI.
Mahasiswa memelihara jurnal untuk menganalisis pembelajaran dan penggunaan GenAI—termasuk efektivitas, keterbatasan, dan dampaknya—sehingga terbangun keterampilan metakognitif (metacognitive skills) untuk konteks dunia nyata.
HCAIF dan Taksonomi Bloom: Mendaki Ulang Piramida Kognitif
Setiap desain kurikulum diam-diam menjawab satu pertanyaan: untuk level kognitif mana waktu mahasiswa realmente dibelanjakan? Taksonomi Bloom revisi (Anderson & Krathwohl, 2001) menyusun level itu dari mengingat (C1) hingga mencipta (C6). Kuliah konvensional menghabiskan sebagian besar energinya di dasar piramida—mentransfer konten (C1) dan menguji pemahaman (C2)—justru dua level yang kini dapat dilayani GenAI lebih cepat, lebih personal, dan kapan saja.
HCAIF membaca situasi ini sebagai realokasi peran: GenAI menyerap dasar piramida agar manusia dapat menduduki puncaknya. Setiap interaksi dengan AI dirancang sebagai latihan berpikir tingkat tinggi (higher-order thinking skills): mahasiswa tidak diminta menerima keluaran AI, melainkan menilainya (C5) dan mencipta bersamanya (C6). AI tidak meruntuhkan Taksonomi Bloom; ia memaksa kita mendakinya lebih tinggi.
Gambar 2 — Realokasi peran kognitif dalam HCAIF: semakin dasar level, semakin besar porsi AI; semakin puncak, semakin sentral peran manusia.
| Level | Peran khas GenAI | Peran khas manusia | Pilar HCAIF | Contoh KKO |
|---|---|---|---|---|
| C1 Mengingat | Ringkasan adaptif, kartu memori, konten on-demand | Kurasi sumber, verifikasi akurasi | Persiapan; Pembelajaran Personal | mengenali, menyebutkan, mendefinisikan |
| C2 Memahami | Penjelasan multi-analogi, umpan balik instan | Diskusi probing, pertanyaan sokratik | Pembelajaran Personal | menjelaskan, merangkum, mengklasifikasikan |
| C3 Menerapkan | Templat, simulasi terbimbing | Role-play, lokakarya dunia nyata | Keterlibatan Kelas | menerapkan, mempraktikkan, mengoperasikan |
| C4 Menganalisis | Analisis sentimen, data besar | Debat, dekonstruksi kasus | Keterlibatan Kelas; Pemantauan | membandingkan, menguraikan, membedakan |
| C5 Mengevaluasi | Draf asesmen & umpan balik | Peer review, oversight dosen, kritik keluaran AI | Asesmen Sumatif; Refleksi | menilai, mengkritisi, memvalidasi |
| C6 Mencipta | Ko-kreasi purwarupa, pitch deck | Arahan kreatif, pertimbangan etis | Pembelajaran Personal; Keterlibatan Kelas | merancang, membangun, memformulasikan |
Dosen sebagai Pengelola Pembelajaran
Dalam HCAIF, dosen berhenti menjadi pemancar konten dan mengambil peran sebagai pengelola pembelajaran—manajer yang mengorkestrasi kemitraan manusia–AI agar mahasiswa mendaki piramida Bloom setinggi mungkin. Peran ini terurai menjadi lima tanggung jawab:
| Fase | Tugas konkret dosen | Pilar HCAIF | Fokus Bloom |
|---|---|---|---|
| Sebelum semester | Rewrite RPS: CPMK + pemetaan Bloom C1–C6 + pembagian peran AI/manusia; rubrik berdimensi penggunaan AI; instrumen atribusi & jurnal; komunikasi kebijakan AI di pertemuan pertama | Persiapan | Merancang C1–C6 |
| Menjelang sesi | Ko-kreasi materi adaptif (≥3 varian); validasi keluaran AI (fakta, bias, konteks); tinjau dasbor monitoring; siapkan pertanyaan coaching C4–C6 | Persiapan; Pemantauan | Persiapan C4–C6 |
| Selama sesi | Fasilitasi experiential learning; umpan balik manusiawi atas pertimbangan, etika, dinamika tim; tutup dengan refleksi & perencanaan | Keterlibatan Kelas | C3–C5 |
| Luar sesi | Respons flag analitik <1 minggu; micro-intervention terarah; baca jurnal & log atribusi; ajarkan kritik prompt & verifikasi keluaran AI | Pembelajaran Personal; Pemantauan | C5–C6 + metakognisi |
| Asesmen | AI draf penilaian → dosen tinjau, koreksi, personalisasi; nilai proses + produk; defense lisan bila perlu; feedback feed-forward | Asesmen Sumatif | C4–C6 |
| Berkelanjutan | Modelkan atribusi transparan; anonimisasi data mahasiswa; audit bias AI; community of practice; iterasi desain | Semua pilar + etika | — |
Tetapkan pembagian kerja kognitif: C1–C2 ke kemitraan mahasiswa–AI, C3–C5 di ruang kelas, C6 + metakognisi sebagai inti bimbingan. Rancang asesmen yang tahan-AI sekaligus ramah-AI: berbasis proses, konteks lokal, dan pertahanan lisan.
Perlakukan keluaran AI sebagai draf, bukan kebenaran: periksa fakta, uji bias, sesuaikan konteks. Siapkan varian latihan agar tak ada mahasiswa yang tertinggal atau bosan.
Bicara lebih sedikit, bertanya lebih banyak. Pertanyaan sokratik pemaksa C4–C6: “Mengapa kamu menerima saran AI itu?”, “Bagian mana yang kamu tolak, atas dasar apa?”, “Apa alternatif yang tidak dipertimbangkan AI?”
Dasbor analitik adalah stetoskop Anda: deteksi mahasiswa yang senyap, intervensi dengan percakapan singkat—bukan hukuman. Baca jurnal refleksi sebagai data metakognisi.
AI boleh menghitung, tetapi hanya dosen yang boleh menghakimi: tinjau tiap draf nilai, tambahkan dimensi yang tak terlihat algoritma, dan pastikan feedback menunjukkan jalan perbaikan.
Jangan masukkan data pribadi mahasiswa ke tool AI publik tanpa anonimisasi. Tunjukkan atribusi Anda sendiri di slide dan RPS agar integritas menjadi budaya kelas, bukan aturan polisi.
Prinsip serupa berlaku saat dosen menulis atau mereview karya ilmiah: gunakan alur kerja NotebookLM yang menjaga bagian results tetap objektif dan bebas bias konfirmatori (lihat workflow-nya di sini).
Prompt siap pakai untuk dosen
Contoh dari Kelas
Kebutuhan akan pembelajaran personal paling nyata dalam pendidikan kewirausahaan. Di Newcastle Business School, kerangka HCAIF diadopsi secara imersif sebagai berikut:
Dosen mengurasi studi kasus dan latihan berbasis GenAI yang selaras dengan tujuan mingguan, membangun repositori wawasan startup (mis. strategi harga Canva), serta merancang aktivitas pra-lokakarya yang konsisten antar tahap.
Mahasiswa menyusun pitch deck dan proyeksi finansial dari templat hasil AI yang disesuaikan dengan usaha pilihannya, lalu memadukan umpan balik sejawat dan wawasan AI dalam refleksi untuk memperbaiki karya.
Tim mahasiswa mempraktikkan sales pitch dengan analisis sentimen hasil AI, bermain peran negosiasi dengan bisnis sungguhan, dan menerima umpan balik AI terkait dinamika tim serta kontribusi individu.
Laporan akhir strategi pertumbuhan pelanggan dievaluasi AI berdasarkan kejelasan strategi dan inovasi; dosen meninjau dan menambah komentar personal—memadukan efisiensi AI dengan pengawasan manusia.
AI melacak keterlibatan mahasiswa pada topik “kejelasan strategis”, menandai yang kesulitan, dan dosen memberikan dukungan terarah selama lokakarya agar semua siap untuk aktivitas berikutnya.
Pelajaran Awal & Implikasi Masa Depan
Dari uji coba berkelanjutan, tiga pelajaran berharga muncul: GenAI meningkatkan keterlibatan namun membutuhkan panduan terstruktur; GenAI menopang jalur pembelajaran adaptif yang terbukti memperbaiki hasil belajar (Gligorea, 2023); dan integrasi paling efektif terjadi saat aktivitas berbantuan AI dilengkapi lokakarya pimpinan manusia.
Integritas pedagogis. Pendidik manusia tetap tak tergantikan sebagai pelatih dan fasilitator yang menjaga pembelajaran bermakna, etis, dan melibatkan.
Aksesibilitas. AI menjembatani kesenjangan pendidikan regional dan global (Zawacki-Richter, 2019), termasuk bagi populasi dengan sumber daya terbatas.
Adaptabilitas lintas disiplin. Prinsip HCAIF dapat diadaptasi ke keuangan, pemasaran, kedokteran, teknik, hingga seni.
Pemimpin masa depan. Lulusan dengan kecakapan GenAI, pemikiran kritis, dan kesadaran etis siap menciptakan nilai di lanskap bisnis yang kompleks.
Workflow Implementasi untuk Program Studi & Institusi
Pelajaran di atas akan tetap menjadi wacana tanpa mekanisme eksekusi. Berikut workflow (alur kerja) enam fase—Gambar 3—yang dapat diadaptasi sesuai konteks dan kalender akademik masing-masing institusi.
Fondasi & Tata Kelola Etis
Bulan 1–2- Membentuk task force (satuan tugas) interdisipliner: prodi, dosen, ahli etika, industri, mahasiswa.
- Baseline audit (audit kondisi awal) infrastruktur & literasi AI.
- Menyusun piagam etika: data privacy, algorithmic bias, equity.
PIC: Ketua Prodi/Dekan + Satgas. KPI: SK terbit, piagam disahkan, baseline 100%.
Penguatan Kapasitas
Bulan 2–4- Professional development dosen: pedagogi GenAI, prompt engineering, asesmen berbantuan AI.
- Orientasi literasi AI mahasiswa; kurasi tool stack (ChatGPT, Claude, Gemini).
- Membentuk community of practice dosen.
PIC: Pusat Pengembangan Pengajaran + IT. KPI: ≥80% dosen terlatih; 100% mahasiswa terorientasi.
Desain Ulang Kurikulum & Asesmen
Bulan 3–5- Merombak RPS/CPMK dengan kompetensi abad-AI; integrasi lima pilar HCAIF.
- Instrumen atribusi & refleksi; asesmen proses + produk dengan human oversight.
PIC: Tim Kurikulum. KPI: 100% RPS percontohan lolos telaah akademik & etika.
Implementasi Percontohan
1 Semester · Bulan 5–9- 2–3 mata kuliah percontohan menjalankan lima pilar secara utuh.
- Log atribusi + jurnal refleksi; pemantauan via learning analytics dengan intervensi terarah.
PIC: Dosen percontohan. KPI: keterlibatan ≥85%; pendampingan <1 minggu bagi yang “ditandai”.
Pemantauan, Evaluasi & Penyempurnaan
Bulan 8–10- Evaluasi kuantitatif & kualitatif (FGD); audit etika privasi, bias, kesetaraan.
- Iterasi (feedback loop) ke Fase 3–4: revisi RPS, kebijakan, perangkat.
PIC: Penjaminan Mutu + Komite Etika. KPI: kepuasan ≥4,0/5,0; nihil pelanggaran etika berat.
Perluasan & Institusionalisasi
Bulan 10–18- Adopsi bertahap seluruh mata kuliah; integrasi SPMI & pengakuan beban kerja dosen.
- Ekosistem kolaboratif + diseminasi: publikasi terakreditasi, OER.
PIC: Dekan + Penjaminan Mutu + Kemitraan. KPI: ≥70% mata kuliah mengadopsi HCAIF dalam 2 tahun ajaran.
Gambar 3 — Workflow implementasi HCAIF: enam fase dengan umpan balik berulang (Fase 5 → Fase 3–4).
| Fase | Fokus | Durasi | Output Kunci |
|---|---|---|---|
| 1 | Fondasi & tata kelola etis | Bulan 1–2 | SK satgas, piagam etika AI, laporan baseline |
| 2 | Penguatan kapasitas | Bulan 2–4 | Dosen terlatih, buku pegangan AI, tool stack |
| 3 | Desain ulang kurikulum | Bulan 3–5 | RPS/CPMK HCAIF, rubrik, instrumen atribusi-refleksi |
| 4 | Implementasi percontohan | Bulan 5–9 | Mata kuliah percontohan 5 pilar, data pembelajaran |
| 5 | Monev & penyempurnaan | Bulan 8–10 | Laporan evaluasi, kerangka v2 |
| 6 | Perluasan & institusionalisasi | Bulan 10–18 | Adopsi penuh, integrasi SPMI, publikasi |
Workflow ini ditopang tata kelola lintas fase—Satgas HCAIF (strategi), Komite Etika AI (pengawasan), Unit Teknologi Pendidikan & IT (infrastruktur), Unit Penjaminan Mutu (monev), dan community of practice dosen (mentoring sebaya). Risiko utama—resistensi dosen, privasi data, ketimpangan akses, overdependensi AI—dimitigasi melalui komunikasi transparan dan pengakuan beban kerja, audit etika berkala, LLM gratis dan kemitraan strategis, serta kewajiban atribusi-refleksi dengan asesmen berbasis proses.
Peluang untuk Transformasi
Adopsi kerangka AI-first (AI sebagai prioritas utama) pasti memunculkan tantangan—namun tidak mustahil diatasi. Universitas dapat menangani kekhawatiran etis secara proaktif melalui pengembangan profesional terarah, mata kuliah etika AI lintas disiplin, komite etika interdisipliner, serta kemitraan dengan industri, pembuat kebijakan, dan nirlaba. Institusi bersumber daya terbatas dapat memanfaatkan LLM gratis dan kemitraan akademis strategis; sebagaimana ditegaskan Satish Nambisan (2017), ekosistem kolaboratif membantu menyiasati keterbatasan dan menumbuhkan inovasi pendidikan.
Bagi kampus yang ingin menjalankan workflow HCAIF ini secara end-to-end—mulai dari audit kesiapan, pelatihan dosen, hingga integrasi SPMI—Aurinoworks menyediakan layanan Applied AI for Education yang menggabungkan kerangka pedagogis, rekayasa prompt, dan tata kelola etis dalam satu paket pendampingan.
Daftar Referensi
- Afzal, A. (2026). Faculty Readiness and Ethical Perceptions of AI Integration in Higher Education. Higher Learning Research Communications.
- Alfredo, R. (2024). Human-centred learning analytics and AI in education. Computers and Education: Artificial Intelligence.
- Anderson, L. W., & Krathwohl, D. R. (2001). A Taxonomy for Learning, Teaching, and Assessing. Longman.
- Brusilovsky, P., & Millán, E. (2007). User Models for Adaptive Hypermedia and Adaptive Educational Systems.
- Coman, C. (2026). Navigating opportunities and challenges of generative AI in higher education. Frontiers in Artificial Intelligence.
- Gligorea, I., dkk. (2023). Adaptive learning using artificial intelligence in e-learning: A literature review.
- Kolb, D. A. (1984). Experiential Learning: Experience as the Source of Learning and Development.
- Le Dinh, T. (2025). Human-Centered Artificial Intelligence in Higher Education. Information, 16(3), 240.
- MDPI Education Sciences. (2026). Adaptive and Personalized Learning in Higher Education.
- Nambisan, S. (2017). Digital Entrepreneurship and Collaborative Ecosystems. Case Western Reserve University.
- Open Praxis. (2025). Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement.
- Sage Publishing. (2025). AI and the Future of Pedagogy: A Human-Centered Roadmap.
- Springer. (2025). Artificial intelligence in adaptive education: A systematic review. Discover Artificial Intelligence.
- Zawacki-Richter, O., dkk. (2019). Systematic review of research on AI applications in higher education. IJETHE.
🎁 Unduh: Bank Prompt & Checklist HCAIF untuk Dosen
30+ prompt siap pakai, template log atribusi mahasiswa, rubrik penilaian berbasis Bloom × AI, dan checklist implementasi per fase—dalam format PDF & Notion, gratis untuk seluruh komunitas pendidikan tinggi Indonesia.
Bonus: prompt untuk riset dosen
Selain empat prompt pengajaran di atas, dosen yang juga aktif meneliti dapat memakai 7 prompt NotebookLM untuk proposal penelitian yang rigorous—cocok untuk menyusun tinjauan pustaka, merumuskan hipotesis, dan menguji kesenjangan riset sebelum diajukan ke hibah.
- ✓ Bank prompt 6 peran dosen
- ✓ Template log atribusi AI
- ✓ Rubrik asesmen HCAIF
- ✓ Checklist 6 fase workflow
📢 Bagikan Artikel Ini
Bantu rekan dosen, guru, dan instruktur menata ulang pembelajaran untuk era AI.