Metopen Kuantitatif - Review Artikel 12

Nama: Firman Qashdus Sabil
NIM: 250321830676

Identitas Artikel

Judul: Using Hierarchical Multiple Regression to Model the Impact of AI-Powered Adaptive Testing on Student Academic Fortunes and Test Anxiety in the Ghanaian Context
Penulis: Simon Ntumi
Jurnal: Discover Education (2025), Volume 4:141
DOI: https://doi.org/10.1007/s44217-025-00524-4

Tujuan Penelitian

Tujuan penelitian ini adalah untuk menyelidiki pengaruh AI-powered adaptive testing terhadap kinerja akademik (academic fortunes) dan kecemasan ujian (test anxiety) siswa di Ghana. Studi ini juga bertujuan membandingkan efektivitas sistem ujian adaptif berbasis AI dengan metode pengujian tradisional, serta menganalisis peran variabel demografi, prestasi akademik sebelumnya, dan familiaritas terhadap teknologi sebagai faktor kontrol.

Metode Penelitian

• Pendekatan: Kuantitatif
• Desain: Quasi-experimental dengan format pretest–posttest control group
• Sampel: 250 siswa sekolah menengah atas di Ghana, dipilih dengan stratified random sampling untuk menjamin keberagaman demografis.
• Instrumen:
  1. Sistem AI-powered adaptive testing
  2. Sistem pengujian tradisional (kontrol)
  3. Test Anxiety Inventory (TAI)
  4. Pengukuran skor akademik
• Analisis Data: Hierarchical multiple regression digunakan untuk mengukur kontribusi unik dari AI-powered adaptive testing terhadap performa akademik dan kecemasan ujian, dengan mengendalikan faktor demografis, performa sebelumnya, dan literasi teknologi.
• Uji Normalitas: Dilakukan menggunakan uji Shapiro–Wilk (p > 0.05) yang menunjukkan data terdistribusi normal.

Hasil/Temuan Utama

• Kinerja Akademik:

  1. Rata-rata skor siswa pada AI-powered adaptive testing (M = 85.4) lebih tinggi dibanding metode tradisional (M = 78.1), perbedaan signifikan (t = 5.32, p < 0.001).
  2. Pengujian adaptif menjelaskan tambahan 20% variansi dalam performa akademik setelah mempertimbangkan variabel kontrol.

• Kecemasan Ujian:

  1. Siswa pada kelompok adaptive testing mengalami penurunan signifikan dalam kecemasan (M = 22.3 → 18.5, t = 4.87, p < 0.001).
  2. Tidak ada perubahan signifikan pada kelompok tradisional (p = 0.144).
  3. Adaptive testing menjelaskan 16% variansi tambahan dalam penurunan kecemasan ujian.

• Faktor-faktor yang Berpengaruh:

  1. Performa akademik sebelumnya (β = 0.35, p < 0.001) dan familiaritas teknologi (β = 0.22, p = 0.002) berkontribusi signifikan terhadap efektivitas pengujian adaptif.
  2. Faktor demografis juga berpengaruh, namun lebih kecil.

Kesimpulan

AI-powered adaptive testing terbukti:

1. Meningkatkan performa akademik secara signifikan dibandingkan metode tradisional.
2. Mengurangi kecemasan ujian, dengan pengalaman tes yang lebih personal dan adaptif.
3. Efektivitasnya bergantung pada familiaritas teknologi dan latar belakang akademik siswa.
4. Disarankan untuk diintegrasikan dalam sistem pendidikan Ghana dengan pelatihan guru dan pemerataan akses teknologi.

Kelebihan (termasuk gap penelitian yang diteliti artikel ini)

Kelebihan:

• Mengisi gap penelitian kontekstual di Afrika/Ghana, di mana penelitian empiris tentang AI dalam asesmen masih sangat terbatas.

• Menggabungkan dua teori kuat:

  • Item Response Theory (IRT) untuk aspek pengukuran kemampuan.

  • Transactional Model of Stress and Coping untuk aspek psikologis (kecemasan).

• Menggunakan analisis statistik lanjutan (hierarchical multiple regression) untuk mengisolasi efek unik AI-adaptive testing.

• Menyediakan rekomendasi praktis untuk kebijakan pendidikan dan pelatihan guru.

Gap yang diteliti: Belum adanya data empiris tentang pengaruh sistem tes adaptif berbasis AI terhadap performa dan kecemasan siswa di konteks negara berkembang seperti Ghana.

Kekurangan

1. Cakupan sampel terbatas (hanya 250 siswa dari beberapa sekolah) sehingga hasil mungkin tidak mewakili seluruh populasi.
2. Tidak bersifat longitudinal, sehingga efek jangka panjang belum diketahui.
3. Variasi kesiapan teknologi antar sekolah tidak dianalisis secara mendalam.
4. Faktor eksternal seperti kualitas guru, lingkungan belajar, dan kondisi psikologis lain tidak dimasukkan dalam model.
5. Penggunaan sistem AI-powered testing yang spesifik tidak dijelaskan secara detail (platform, algoritma, adaptivity level).

Novelty dari Artikel Ini

• Empirically verifies efektivitas AI-powered adaptive testing dalam konteks negara berkembang (Ghana).
• Mengintegrasikan analisis psikologis (test anxiety) dan akademik (performance) secara bersamaan menggunakan model regresi hierarkis.
• Menerapkan kombinasi IRT + Transactional Model of Stress sebagai kerangka teoritis untuk menjelaskan mekanisme adaptasi dan pengurangan stres.

Novelty yang Dapat Diajukan untuk Penelitian Selanjutnya

• Menggabungkan AI-adaptive testing dengan formative feedback berbasis reinforcement learning.
• Meneliti efek jangka panjang AI-powered adaptive testing terhadap performa dan motivasi belajar.