Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Pendidikan

Open AccessOA2025

Reinforcement Learning dalam Pendidikan: Tinjauan Literatur Sistematis

Tinjauan sistematis ini menelaah 89 manuskrip tentang reinforcement learning dalam pendidikan, menyoroti janji untuk pembelajaran yang dipersonalisasi dan keterlibatan siswa, tetapi juga tantangan metodologis yang signifikan dan kebutuhan akan penerapan di dunia nyata di luar data simulasi.
Anna Riedmann; Philipp Schaper; Birgit Lugrinยท International Journal of Artificial Intelligence in Educationยท 2025ยท DOI 10.1007/s40593-025-00494-6

Masalah inti

Reinforcement Learning (RL) adalah paradigma machine learning ketika agen belajar mengambil tindakan dalam suatu lingkungan untuk memaksimalkan sinyal imbalan kumulatif. Secara formal, agen berinteraksi dengan lingkungan pada langkah waktu diskret , mengamati keadaan , mengambil tindakan , menerima imbalan , dan bertransisi ke keadaan berikutnya . Tujuannya adalah mempelajari kebijakan yang memaksimalkan ekspektasi imbal hasil terdiskon:

dengan adalah faktor diskon. Dalam pendidikan, RL telah dieksplorasi untuk meningkatkan hasil belajar dan mengembangkan intervensi yang dipersonalisasi. Tinjauan sistematis ini, yang dilakukan sesuai standar PRISMA, menyurvei 89 manuskrip dari IEEE Xplore, Google Scholar, dan ACM yang diterbitkan antara 2000 dan 2024. Tinjauan ini menjawab lima tujuan: (1) konteks pendidikan dan strategi evaluasi, (2) dampak terhadap variabel kognitif dan afektif, (3) algoritma RL dan baseline, (4) mekanisme adaptasi, dan (5) praktik terbaik untuk implementasi.

Inovasi

Tinjauan ini mengikuti pedoman PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). Pencarian sistematis dilakukan pada tiga basis data: IEEE Xplore, Google Scholar, dan ACM. Kriteria kelayakan yang telah ditetapkan sebelumnya diterapkan untuk menyaring manuskrip yang diterbitkan antara 2000 dan 2024, sehingga diperoleh 89 studi yang disertakan. Ekstraksi data berfokus pada lima tujuan: konteks pendidikan, strategi evaluasi, hasil kognitif dan afektif, algoritma RL dan baseline, mekanisme adaptasi, serta praktik terbaik. Tinjauan ini menyintesis temuan secara kualitatif, mengidentifikasi tren, kesenjangan, dan isu metodologis.
Pendahuluan
Reinforcement Learning (RL) adalah paradigma machine learning ketika agen belajar mengambil tindakan dalam suatu lingkungan untuk memaksimalkan sinyal imbalan kumulatif. Secara formal, agen berinteraksi dengan lingkungan pada langkah waktu diskret , mengamati keadaan , mengambil tindakan , menerima imbalan , dan bertransisi ke keadaan berikutnya . Tujuannya adalah mempelajari kebijakan yang memaksimalkan ekspektasi imbal hasil terdiskon:

Mengapa penting

Temuan ini menunjukkan bahwa meskipun RL menjanjikan bagi pendidikan, potensi penuhnya belum terwujud karena beberapa batasan. Pertama, dominasi lingkungan simulasi menimbulkan pertanyaan tentang validitas ekologis; agen RL yang dilatih pada siswa simulasi mungkin tidak dapat digeneralisasi ke ruang kelas nyata. Kedua, kurangnya studi jangka panjang skala besar dengan pengguna aktual membatasi kesimpulan tentang efektivitas dan skalabilitas. Ketiga, isu metodologis, termasuk spesifikasi imbalan yang tidak konsisten dan baseline yang tidak memadai, menghambat komparabilitas antarstudi. Tinjauan ini merangkum praktik terbaik untuk menerapkan RL dalam pendidikan, seperti melibatkan pendidik dalam desain imbalan, menggunakan data dunia nyata untuk pelatihan dan evaluasi, serta mengadopsi desain eksperimen yang ketat. Penelitian mendatang harus berfokus pada menjembatani kesenjangan antara simulasi dan realitas, menangani pertimbangan etis, dan mengembangkan sistem adaptif yang dapat diterapkan dalam skala besar. Secara keseluruhan, RL berpotensi mentransformasi pembelajaran yang dipersonalisasi, tetapi diperlukan upaya terpadu untuk mengatasi tantangan saat ini.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ