VUCA en Id
VUCA en Id
com
Mempersiapkan umat manusia untuk perubahan dan kecerdasan buatan: Belajar untuk belajar
sebagai perlindungan terhadap volatilitas, ketidakpastian, kompleksitas, dan ambiguitas
Draft paper ini ditulis oleh Ruben LAUKKONEN, Hannah BIDDEL dan Regan
GALLAGHER dari University of Queensland, Australia. Makalah ini menjelaskan tantangan
yang ditimbulkan oleh dunia VUCA, dan bagaimana manusia dan kecerdasan buatan
menanggapinya.
Untuk peserta ACTION diundang untuk KIRIM komentar mereka sebelum 5 November 2018.
JT03437073
Dokumen ini, serta data dan peta apa pun yang disertakan di sini, tidak mengurangi status atau kedaulatan atas wilayah mana pun, terhadap
penetapan batas dan batas internasional, dan terhadap nama wilayah, kota, atau wilayah mana pun.
2 │ EDU/EDPC(2018)45/ANN1
Daftar Isi
Abstrak..................................................................................................................................................3
1. pengantar.......................................................................................................................................4
1. BAGIAN 1: VUCA...........................................................................................................................6
1.1. Otak Prediktif...............................................................................................................................6
1.2. manusia........................................................................................................................................7
1.3. Mesin...........................................................................................................................................9
1.4. Ringkasan Bagian 1....................................................................................................................12
2. BAGIAN 2: Agensi.........................................................................................................................13
2.1. manusia......................................................................................................................................13
2.2. Mesin.........................................................................................................................................15
2.3. Ringkasan Bagian 2....................................................................................................................16
3. Diskusi.............................................................................................................................................17
4. Penutup...........................................................................................................................................19
Referensi..............................................................................................................................................20
Angka
Abstrak
Dalam makalah ini, kami menggambarkan tantangan yang ditimbulkan oleh VUCA:
Volatilitas, Ketidakpastian, Kompleksitas, dan Ambiguitas. Kami mulai dengan
memberikan tinjauan singkat tentang perilaku manusia dan pengambilan keputusan dalam
situasi VUCA. Dengan demikian, kami berharap dapat mengilustrasikan bagaimana
pikiran dan otak manusia biasanya merespons dalam situasi yang tidak terduga, dan
kemudian berdasarkan ulasan ini, memberikan beberapa rekomendasi tentang bagaimana
mempersiapkan diri untuk dunia yang semakin dinamis. Kami kemudian membandingkan
kemampuan manusia dan mesin. Perbandingan dengan mesin "cerdas" sangat berharga
karena menyoroti kapasitas spesifik manusia yang tidak mudah ditiru di komputer.
Tantangan membangun kecerdasan buatan (AI) juga mengungkapkan wawasan penting
tentang keterampilan dan kompetensi manusia yang mungkin penting di masa depan.
Rekan terhormat di Institute for the Future, dan penulis buku terlaris, Bob Johansen
(2013[1]), mengatakan bahwa, “Dilema pamungkas adalah mengambil dunia VUCA dan
mengubahnya dari hal yang mengancam, yang memang ada, menjadi dunia yang tidak
hanya mengancam tetapi juga mengancam. juga sarat dengan kesempatan.” Untuk tujuan
ini, kami menyediakan metode yang dapat ditindaklanjuti bagi individu dan masyarakat
untuk menjadi kuat dan dapat beradaptasi dengan banyak hasil di masa depan dan
kemungkinan peluang.
1. Perkenalan
Teknologi berkembang pesat secara eksponensial. Gordon Moore (1975) [2]) mengamati bahwa
daya komputasi (didefinisikan oleh jumlah transistor per sirkuit terpadu) dua kali lipat kira-kira setiap dua tahun, pola yang tetap konsisten
sampai hari ini (dikenal sebagai "Hukum Moore"). Jika tren ini berlanjut, kapasitas pemrosesan mesin akan melampaui kapasitas otak
manusia, dan berlanjut jauh lebih jauh; setiap tahun membuat lebih banyak kemajuan daripada tahun sebelumnya (proses yang
mengintimidasi ini diilustrasikan pada Gambar 1). Kemajuan eksponensial terkenal sulit bagi manusia—yang beradaptasi dengan berpikir
linier—untuk menghargai (Wagenaar dan Sagaria, 1975[3]). Teknologi dan masyarakat sangat saling berhubungan, sehingga perubahan
teknologi yang lebih cepat sering kali diterjemahkan menjadi perubahan yang lebih cepat di masyarakat. Selain itu, perubahan, lebih sering
daripada tidak, diterjemahkan menjadi ketidakpastian yang lebih besar dalam bentuk VUCA. Bagi pikiran manusia yang berusaha memahami
dunia, ini adalah keadaan yang berpotensi mengganggu (seperti yang akan segera kita lihat). Dengan otomatisasi yang berkembang, mesin
juga berpotensi menghilangkan pengejaran yang membawa makna dan tujuan bagi kehidupan jutaan orang—karier, hasrat, dan cara hidup
mereka. Meskipun jelas bahwa ada biaya potensial untuk kemajuan teknologi, ada juga banyak manfaatnya. Teknologi dapat mengubah
masyarakat menjadi lebih baik dengan meningkatkan pengambilan keputusan, perawatan kesehatan, transportasi, keamanan, dan pendidikan.
Kecerdasan buatan dapat membebaskan manusia dari banyak tugas yang biasanya dituntut dari mereka, berpotensi mengembalikan kita ke
masyarakat yang "kaya waktu" alih-alih "miskin waktu". Kuncinya kemudian, adalah memanfaatkan manfaat sebaik-baiknya sambil
mempersiapkan diri dengan baik untuk menghadapi bahaya.
Angka ini menunjukkan kemajuan eksponensial daya komputasi dari tahun 1900 hingga 2013, dengan
proyeksi hingga tahun 2025, di mana kecerdasan buatan diproyeksikan sejajar dengan kapasitas
pemrosesan otak manusia.
Sumber: Gambar diadaptasi dari (Kurzweil, 2005[4])
Akronim VUCA telah sering digunakan dalam konteks teori kepemimpinan (Pasmore dan
O'Shea, 2010 [5]), dan Angkatan Darat AS awalnya menggunakan istilah tersebut untuk
merujuk pada dunia yang semakin mirip VUCA setelah Perang Dingin (Bennis dan
Nanus, 1985[6]). Apa saja aspek yang berbeda dari VUCA? Volatilitas adalah kewajiban
sesuatu untuk berubah dengan cepat dan tidak terduga. Pasar saham, misalnya, dianggap
fluktuatif karena seberapa cepat mereka berubah dan oleh karena itu betapa sulitnya
memprediksinya. Ketidakpastian berkaitan dengan kualitas informasi yang dimiliki
seseorang—atau sejauh mana hasil dari suatu peristiwa dapat diketahui sebelumnya.
Kompleksitas meningkat ketika ada lebih banyak variabel yang relevan atau hubungan
timbal balik; semakin banyak variabel, semakin kompleks situasinya. Contohnya,
mengelola kelas dengan lima anak jauh lebih mudah daripada mengelola 100, dan
melakukannya lebih sederhana jika setiap siswa berbicara bahasa yang sama. Ambiguitas
terjadi ketika suatu peristiwa, situasi, atau konteks tidak jelas, baik karena informasi yang
hilang, tidak konsisten, kontradiktif, atau dikaburkan dalam beberapa cara. Bagi manusia
—dan memang mesin—masing-masing komponen VUCA ini pada akhirnya membuat
dunia yang kurang dapat diprediksi.
Makalah berikut ini dibagi menjadi dua bagian (1: VUCA dan 2: Agency), dilanjutkan
dengan diskusi umum. Bagian 1 dimulai dengan pengenalan singkat tentang teori otak
yang dikenal sebagai pemrosesan prediktif. Tujuannya di sini adalah untuk menyediakan
perancah untuk memahami bagaimana manusia merespons dalam situasi VUCA. Kami
kemudian secara singkat meninjau literatur psikologi, neurokimia dan neurofisiologi
untuk mengevaluasi konsekuensi negatif dan positif dari VUCA untuk kesejahteraan
manusia. Kami kemudian mempertimbangkan bagaimana orang dapat belajar
menanggapi VUCA secara efektif. Di bagian terakhir Bagian 1, kami memberikan
gambaran umum tentang kondisi kecerdasan buatan (AI) saat ini—termasuk AI khusus
dan umum—dan kemudian membahas bagaimana kinerja mesin otonom dalam situasi
VUCA. Di Bagian 2, kami mengalihkan perhatian kami ke Agensi, dan
mempertimbangkan kemungkinan bahwa rasa hak pilihan dapat melayani fungsi yang
berharga bagi manusia dalam situasi yang tidak pasti. Kami juga mempertimbangkan
apakah proses yang mendasari otonomi dalam mesin menyerupai bentuk agensi primitif,
dan apakah AI disiapkan untuk situasi yang ambigu secara moral. Dalam diskusi umum,
kami mensintesis tinjauan dan mengusulkan bahwa atribut manusia yang dapat ditempa
— kemampuan mereka untuk mempelajari keterampilan baru dan menerapkan prinsip-
prinsip meta-learning — akan sangat berharga untuk memastikan bahwa manusia dapat
beradaptasi dengan perubahan di dunia VUCA. Kami menyarankan bahwa salah satu
tujuan utama pendidikan harus mempersiapkan siswa untuk menjadi pembelajar yang
dapat beradaptasi dilengkapi dengan keterampilan meta-learning (Maudsley, 1980[7]),
sehingga ketika perubahan yang tak terhindarkan terjadi, orang dan masyarakat cukup
kuat untuk mengadopsi. keterampilan dan praktik baru, dan secara efektif mentransfer
pembelajaran melintasi situasi. Kapasitas meta-learning juga dapat membantu
memberikan rasa agensi dan self-efficacy di dunia yang kacau—mungkin tidak mungkin
untuk mengetahui apa yang diharapkan, tetapi mungkin untuk belajar bagaimana
merespons ketika hal yang tidak terduga terjadi.
1. BAGIAN 1: VUCA
Untuk memahami bagaimana otak dan pikiran merespons situasi VUCA, penting untuk
memiliki gagasan dasar tentang cara kerja otak. Pemahaman tentang psikologi manusia
juga berharga untuk bagian selanjutnya yang membahas AI, karena ilmu pikiran dan
penelitian kecerdasan mesin sangat saling melengkapi (wawasan di satu bidang sering
kali mengarah pada wawasan di bidang lain). Meskipun ada banyak perdebatan tentang
pertanyaan spesifik tentang bagaimana pikiran dan otak mencapai prestasi tertentu, ada
proses dasar yang cukup disepakati di antara para ilmuwan, dan bagian singkat ini
berfokus pada kasus-kasus terakhir ini. Tidak ada keraguan, misalnya, bahwa cara kita
memandang dan mengalami dunia berbeda dari cara yang sebenarnya. Artinya, kita tidak
melihat dunia secara objektif; kita melihatnya berdasarkan jenis interpretasi tertentu yang
dibatasi oleh biologi kita, sejarah perkembangan, budaya, dan evolusi. Sebagai batasan
biologis, kita memiliki jenis mata tertentu yang hanya dapat memproses jenis informasi
tertentu. Sehubungan dengan udang mantis misalnya—yang memiliki mata yang dapat
bergerak secara independen dan dapat melihat sinar ultraviolet (Marshall dan
Oberwinkler, 1999[8])—penglihatan manusia sangat terbatas (dan indera kita yang lain
juga terbatas). Pikiran kita semakin membatasi dan memengaruhi persepsi kita,
sebagaimana dibuktikan oleh ilusi visual: 1999[8])—penglihatan manusia sangat terbatas
(dan indera kita yang lain juga terbatas). Pikiran kita semakin membatasi dan
memengaruhi persepsi kita, sebagaimana dibuktikan oleh ilusi visual: 1999[8])—
penglihatan manusia sangat terbatas (dan indera kita yang lain juga terbatas). Pikiran kita
semakin membatasi dan memengaruhi persepsi kita, sebagaimana dibuktikan oleh ilusi
visual:
Bagi kebanyakan orang, gambar di sebelah kiri awalnya terlihat seperti rangkaian titik yang tidak memiliki
arti tertentu, dan gambar di sebelah kanan terlihat seperti katak.
Perhatikan kesan pertama dari gambar, dan kemudian bagaimana mereka dapat berubah
dengan pembaruan sederhana untuk harapan (dalam ilmu kognitif ini disebut prediksi).
Sosok di sebelah kiri bisa tiba-tiba muncul sebagai anjing yang mengendus tanah, jika ada
yang mencarinya. Dan katak yang tampak pada gambar lainnya, jika Anda memiringkan
kepala ke kanan, tiba-tiba dapat mengungkapkan seekor kuda 'tersembunyi'. Tentu saja
tidak ada interpretasi yang benar dari gambar tersebut—informasi visual tidak secara
MASA DEPAN PENDIDIKAN DAN KETERAMPILAN 2030: ANALISIS
Untuk KURIKULUM
Penggunaan
EDU/EDPC(2018)45/ANN1 │7
inheren mengandung seekor anjing atau katak atau kuda—tetapi prediksi yang kita buat
mendorong apa yang kita rasakan. Kita sering menghadapi situasi ambigu yang sama di
malam hari, di mana pikiran perlu memahami interaksi bayangan dan gerakan yang
membingungkan, misalnya, untuk membedakan apakah ada kelelawar atau tupai di
pohon, atau hanya angin.
lingkungan yang ambigu, tetapi mungkin lebih sulit untuk mengakui bahwa semua
persepsi pada dasarnya adalah produk dari prediksi kita. Dalam beberapa kasus, persepsi
kita adalah prediktor yang baik dari lingkungan sensorik sehingga mereka tampak sangat
nyata, jadi kita sangat percaya pada mereka. Misalnya, ada sedikit ambiguitas antara
mobil dan pohon, sehingga konsistensi dan kejelasannya membuat sulit untuk percaya
bahwa persepsi sebenarnya adalah prediksi, seperti anjing Dalmatian pada Gambar 2.
Pandangan pemrosesan prediktif otak dipengaruhi oleh daftar panjang teori dan peneliti
terkemuka (mungkin kembali ke Immanuel Kant (Swanson, 2016[9]), tetapi paling
terkenal dipoles dalam karya ahli saraf Karl Friston (2003[10]), dan filsuf Andy Clarke
( 2013[11]) dan Jakob Hohwy (2013[12]).
Mengapa otak membuat prediksi? Alasan sederhananya adalah bahwa prediksi adalah
cara yang efisien untuk menavigasi dunia. Tanpa proses prediksi, otak perlu secara
bertahap mengumpulkan dunia seolah-olah melihatnya untuk pertama kalinya (setiap
kali!), dengan hati-hati memastikan bahwa setiap bit informasi sensorik (misalnya rasa air
liur Anda saat ini ) sedang diproses dan dirasakan. Melakukan hal itu akan memberikan
representasi yang lebih akurat dari informasi sensorik, tetapi akan jauh lebih lambat
daripada mengasumsikan apa yang "di luar sana" dan hanya memperbarui asumsi tersebut
jika ada inkonsistensi (yaitu, sesuatu yang mengejutkan). Dengan membuat prediksi
tentang apa yang seharusnya dialami—dan hanya mengubah prediksi tersebut ketika
terjadi kesalahan—seseorang dapat memahami situasinya dan karena itu bertindak cepat
(sumber daya yang berharga untuk kelangsungan hidup makhluk apa pun). Ada juga
banyak informasi yang berlebihan yang dapat dibuang dari persepsi. Misalnya, dalam
membaca kalimat ini ada sedikit gunanya merasakan kursi yang Anda duduki, atau
mendengar dengungan latar belakang AC. Otak memilih untuk 'memprediksinya' sampai
menjadi relevan lagi (jika Anda mulai merasa dingin atau panas maka ada atau tidaknya
jaket tiba-tiba layak untuk diprediksi). atau mendengar dengungan latar belakang AC.
Otak memilih untuk 'memprediksinya' sampai menjadi relevan lagi (jika Anda mulai
merasa dingin atau panas maka ada atau tidaknya jaket tiba-tiba layak untuk diprediksi).
atau mendengar dengungan latar belakang AC. Otak memilih untuk 'memprediksinya'
sampai menjadi relevan lagi (jika Anda mulai merasa dingin atau panas maka ada atau
tidaknya jaket tiba-tiba layak untuk diprediksi).
dalam situasi yang tidak pasti—yang ingin dibuat oleh otak agar dapat diprediksi—
seseorang dapat mengubah lingkungan internal (yaitu, prediksi), atau lingkungan
eksternal (yaitu, dengan mengubah perilaku) sehingga cocok dengan lingkungan internal.
Tujuan dalam kedua kasus adalah untuk meminimalkan perbedaan antara keyakinan atau
prediksi seseorang dan dunia seperti yang dirasakan oleh indra. Pandangan otak ini
menunjukkan bahwa orang mencoba membuat keadaan yang tidak terduga dapat
diprediksi; jadi apa konsekuensi bagi psikologi manusia ketika dunia menjadi semakin
tidak stabil, tidak pasti, kompleks, dan ambigu? Pandangan otak ini menunjukkan bahwa
orang mencoba membuat keadaan yang tidak terduga dapat diprediksi; jadi apa
konsekuensi bagi psikologi manusia ketika dunia menjadi semakin tidak stabil, tidak
pasti, kompleks, dan ambigu? Pandangan otak ini menunjukkan bahwa orang mencoba
membuat keadaan yang tidak terduga dapat diprediksi; jadi apa konsekuensi bagi
psikologi manusia ketika dunia menjadi semakin tidak stabil, tidak pasti, kompleks, dan
ambigu?
1.2. manusia
Psikolog dan ahli saraf telah lama mempelajari cara sehat dan tidak sehat untuk
merespons VUCA. Masing-masing konstruksi — volatilitas, ketidakpastian,
kompleksitas, dan ambiguitas — memiliki fitur unik tetapi juga sangat saling terkait, dan
MASA DEPAN PENDIDIKAN DAN KETERAMPILAN 2030: ANALISIS
Untuk KURIKULUM
Penggunaan
EDU/EDPC(2018)45/ANN1 │9
karena itu sering dibahas di bawah payung ketidakpastian. Di bawah ini, kami
memberikan tinjauan singkat tentang literatur tentang bagaimana manusia menghadapi
situasi yang tidak terduga.
lebih baik dalam perubahan lingkungan daripada mereka yang menunjukkan kecemasan
tinggi (Behrens et al., 2007[28]). Orang yang sama dapat menunjukkan perbedaan dalam
toleransi mereka terhadap VUCA di seluruh konteks, dan orang yang berbeda beradaptasi
dengan tuntutan situasional dengan cara yang berbeda. Beberapa orang menganggap
VUCA sebagai tantangan untuk diundang, sementara yang lain mungkin menganggap
ketidakpastian sebagai ancaman. Misalnya, ketidakpastian tentang siapa orang asing itu
dan mengapa mereka mendekati Anda kemungkinan akan dialami dengan sangat berbeda
jika Anda berjalan melalui taman umum di tengah hari versus berjalan di taman yang
sama di tengah malam. Apakah Anda sendirian atau dalam kelompok mungkin juga
memengaruhi pengalaman Anda. Dengan cara yang sama, dunia VUCA yang semakin
meningkat dapat dianggap sebagai tantangan atau ancaman bagi orang yang berbeda
dalam konteks yang berbeda.
Manusia bisa sangat adaptif terhadap perubahan. Kami secara intrinsik termotivasi oleh
ketidakpastian, dan didorong untuk mempelajari keterampilan baru dan penting untuk
mengubah konteks yang tidak pasti menjadi yang dapat diprediksi. Ketika respons gairah
orang disesuaikan dengan baik dengan ketidakpastian di dunia, mereka lebih baik dalam
belajar (De Berker, 2016[29]). Gairah yang sama bisa menggairahkan atau memprovokasi
kecemasan, tergantung pada konteks dan individu. Memang, keterbukaan untuk terus
mengeksplorasi, belajar, dan berkembang—belajar cara belajar—mungkin menjadi salah
satu kunci kesuksesan masa depan di dunia yang mendekati otomatisasi dan perpindahan
karier yang meluas, yang dapat menjadi ancaman langsung bagi mata pencaharian banyak
orang. Oleh karena itu, tantangan untuk masa depan pendidikan, pelatihan, dan pekerjaan
adalah memanfaatkan sifat alami manusia yang ingin tahu dan eksplorasi, dan
mengembangkan perlindungan sosial bagi mereka yang terkena dampak langsung atau
negatif dari aspek VUCA yang mengancam. Di bagian selanjutnya, kami akan membahas
bagaimana individu dengan rasa kontrol, atau agensi, berjalan lebih baik dalam situasi
VUCA; bagaimana lembaga dapat ditingkatkan; dan bagaimana individu dengan agensi
cenderung menunjukkan tingkat kemampuan beradaptasi yang lebih tinggi dan stres yang
lebih rendah di lingkungan yang tidak dapat diprediksi. Sebelum kita membahas
keterampilan yang dibutuhkan untuk kemampuan beradaptasi di masa depan, pertama-
tama kita akan membahas peran yang dimainkan oleh teknologi dalam menciptakan dan
menavigasi dunia VUCA. dan bagaimana individu dengan agensi cenderung
menunjukkan tingkat kemampuan beradaptasi yang lebih tinggi dan stres yang lebih
rendah di lingkungan yang tidak dapat diprediksi. Sebelum kita membahas keterampilan
yang dibutuhkan untuk kemampuan beradaptasi di masa depan, pertama-tama kita akan
membahas peran yang dimainkan oleh teknologi dalam menciptakan dan menavigasi
dunia VUCA. dan bagaimana individu dengan agensi cenderung menunjukkan tingkat
kemampuan beradaptasi yang lebih tinggi dan stres yang lebih rendah di lingkungan yang
tidak dapat diprediksi. Sebelum kita membahas keterampilan yang dibutuhkan untuk
kemampuan beradaptasi di masa depan, pertama-tama kita akan membahas peran yang
dimainkan oleh teknologi dalam menciptakan dan menavigasi dunia VUCA.
1.3. Mesin
Manusia semakin mengandalkan alat pintar untuk membantu kita menyelesaikan tugas-
tugas sederhana dan kompleks. Perangkat kami didukung oleh teknologi yang dapat
belajar dari kami, mempelajari tentang kami, membantu kami mencapai tujuan kami,
membentuk kebiasaan kami, dan meningkatkan kemampuan pemecahan masalah alami
kami untuk membantu kami membuat keputusan yang lebih baik tentang dunia kami.
Teknologi ini secara luas didefinisikan sebagai mesin atau kecerdasan buatan (AI) dan
kemungkinan akan tetap menjadi landasan pengambilan keputusan manusia di masa
mendatang. Teknologi AI juga dapat membantu manusia mengatasi banyak kekurangan
MASA DEPAN PENDIDIKAN DAN KETERAMPILAN 2030: ANALISIS
Untuk KURIKULUM
Penggunaan
EDU/EDPC(2018)45/ANN1 │13
kita sendiri, tetapi bagaimana volatilitas, ketidakpastian, kompleksitas, dan ambiguitas
memengaruhi kemampuan AI untuk memecahkan masalah secara efektif? Bagaimana
teknologi menangani VUCA secara umum?
Ada dua bidang AI yang luas: AI "umum" dari budaya populer, yang mengacu pada
mesin cerdas yang dapat beradaptasi yang memiliki kemampuan untuk mendekati dan
memahami berbagai situasi dengan kemampuan tingkat manusia (yaitu berlari,
mengemudi, memasak, berkelahi, memanjat, dll .; semua tugas tujuan umum yang dapat
atau dapat dilakukan manusia dengan mahir); dan AI “spesifik”, yang dapat melakukan
serangkaian kecil tugas yang didefinisikan secara sempit dengan kemampuan manusia
atau manusia super. Bentuk umum AI adalah tujuan untuk penelitian dan pengembangan
dalam kecerdasan mesin, tetapi sejauh ini masih di luar jangkauan sains dan teknik jangka
pendek (Lake et al., 2017[30]). Namun, bentuk spesifik AI sudah meresapi banyak aspek
kehidupan kita sehari-hari; kami memiliki algoritme cerdas yang mengkurasi mesin
telusur kami
hasil, robot mengalahkan juara dunia kami dalam catur dan Go, pengoptimalan cerdas dan
penyesuaian umpan berita dan media sosial kami, mesin virtual memetakan dan
menavigasi jalur kami menggunakan GPS, dan sejumlah aplikasi saat ini dan yang
muncul dalam domain penelitian, industri, dan produk konsumen.
Keberhasilan pembelajaran mesin dan AI secara lebih luas, telah dihasilkan dari
pengembangan program komputer (atau algoritma) yang dapat belajar dari data yang
kompleks. Ada banyak pendekatan untuk pembelajaran mesin, tetapi beberapa yang
paling efektif adalah jaringan saraf tiruan (JST; lihat Gambar 3), yang secara langsung
terinspirasi oleh, dan secara konseptual meniru, beberapa fungsi otak manusia (Turing,
1950[ 31]; Newell dan Simon, 1961[32]; LeCun, Bengio dan Hinton, 2015[33]).
Algoritma cerdas cerdas dalam arti bahwa mereka terus meningkatkan kinerja mereka
sendiri (dalam akurasi prediksi atau pengambilan keputusan, misalnya) tanpa
pemrograman eksplisit. Akibatnya, seorang insinyur perangkat lunak tidak perlu tahu
persis bagaimana algoritma cerdas sampai pada solusi. Lebih tepatnya,
a) Manusia telah mengembangkan model mental berbasis aturan yang memungkinkan kita untuk bersaing,
menyusun strategi, dan mengakali satu sama lain; b) komputer pertama kali mengembangkan kemampuan
untuk mengalahkan manusia dalam permainan strategi dengan kekuatan pemrosesan semata, yang melibatkan
penghitungan dan penghitungan hasil sebanyak mungkin; c) jaringan saraf yang diilhami otak sekarang
mengembangkan strategi berbasis aturan dan belajar dengan memainkan manusia dan AI lainnya.
Dari tantangan yang disajikan VUCA, kompleksitas merupakan domain penting di mana
bentuk spesifik AI dapat sangat dicapai dibandingkan dengan manusia (Palmer dan
Chakravarty, 2014[34]). Jumlah dan kompleksitas data yang dihasilkan di dunia yang
terhubung saat ini jauh melampaui kapasitas pemrosesan manusia, atau bahkan sebagian
besar perangkat lunak pemrosesan data standar. Sebuah algoritma cerdas dapat digunakan
untuk memilah dan mengklasifikasikan informasi yang konsisten dengan tujuan yang
telah ditentukan sebelumnya (pembelajaran yang diawasi) atau untuk mengelompokkan
informasi sesuai dengan struktur dasar dari data yang diterima algoritma (pembelajaran
tanpa pengawasan). Tergantung pada tujuannya, salah satu dari pendekatan ini dapat
sangat berguna untuk mensintesis sejumlah besar informasi (“Big Data”) dan
menyempurnakannya menjadi bentuk yang lebih sesuai dengan intuisi manusia (misalnya
dalam bentuk hubungan visual,
AI juga dapat diperlengkapi dengan baik untuk menghadapi tingkat ketidakpastian yang
relatif tinggi. Beberapa kemajuan awal dalam kecerdasan komputer tidak datang dari
pembelajaran itu sendiri, tetapi dari kemampuan untuk menghitung banyak solusi
potensial dalam waktu singkat (dikenal sebagai pendekatan 'brute force' (Campbell,
Hoane dan Hsu, 2002[35]). Dalam situasi ketidakpastian, komputer dapat menghasilkan
rencana darurat yang besar dan komprehensif dengan mensimulasikan banyak
kemungkinan masa depan (pohon keputusan), dengan akurasi dan presisi yang cukup
untuk bersaing dengan manusia.Meskipun biasanya tidak dianggap 'kecerdasan', karena
bergantung pada pengambilan statis menyimpan informasi (Hsu, Campbell dan Hoane,
1995[36]), pendekatan brute force inilah yang menyebabkan komputer pertama, IBM's
Deep Blue, menggeser juara catur dunia Garry Kasparov dalam serangkaian permainan
pada tahun 1997. Kecepatan dan kekuatan pemrosesan pemrosesan komputasi berarti
bahwa kecerdasan mesin dapat diperlengkapi dengan baik untuk menangani informasi
yang kompleks, dan banyak kemungkinan dan masa depan yang tidak pasti. Namun,
menyelesaikan ketidakpastian dan kompleksitas bukan tanpa biaya. Biasanya, biaya ini
datang dalam bentuk trade-off antara kecepatan dan akurasi, sehingga AI dapat berkinerja
buruk saat ditugaskan untuk menyelesaikan sejumlah besar variabel yang relevan, jika
diperlukan untuk melakukannya secara real-time (Lake et al., 2017 [30]).
Sementara tantangan kompleksitas dan ketidakpastian dapat, sampai tingkat tertentu,
dimitigasi dengan memprioritaskan kekuatan pemrosesan atau kecepatan pemrosesan
sesuai dengan tuntutan situasional, volatilitas dan ambiguitas dapat mewakili tantangan
yang jauh lebih rumit terhadap kompetensi AI umum dan khusus, dan untuk beberapa hal.
alasan-alasan berbeda. AI tertentu, yang mahir dalam menyelesaikan tugas-tugas tertentu,
dapat kekurangan fleksibilitas untuk menangani volatilitas dalam tuntutan tugas atau
konteks (misalnya generalisasi ke tugas lain, bahkan terkait erat). Masukan atau
permintaan yang tidak terduga pada suatu algoritma dapat menyebabkan fungsi berhenti
sepenuhnya (Mnih et al., 2015[37]), dan ambiguitas dapat menyebabkan algoritma cerdas
(bahkan AI umum) untuk menjalankan fungsinya bahkan ketika tidak tepat untuk
dilakukan. jadi (Wang, Ashfaq dan Fu,(nd)[38]). Untuk berfungsi dalam domain yang
mudah berubah dan ambigu,
Hambatan utama untuk mengembangkan AI yang dapat berpikir secara fleksibel dalam
situasi yang bergejolak dan ambigu adalah kemampuan algoritme untuk menghasilkan
model 'mental' dunia yang cukup umum, namun mengabaikannya dalam keadaan di mana
lebih bijaksana untuk melakukannya ( Danau et al., 2017[30]). Manusia, sebaliknya,
dapat sangat dipandu oleh model mental fisika kita (efek gravitasi, kegigihan item yang
tak terlihat, hubungan sebab akibat antara objek) atau psikologi (apa yang orang lain
mungkin pikirkan, niatkan, atau tidak ketahui), tetapi bisa dengan mudah membuang
intuisi ini jika tidak sesuai dengan tujuan saat ini (misalnya mempelajari keterampilan
baru). AI spesifik tidak memiliki fleksibilitas ini. AI dengan kemampuan manusia super
MASA DEPAN PENDIDIKAN DAN KETERAMPILAN 2030: ANALISIS
KURIKULUM Untuk
Penggunaan
16 │ EDU/EDPC(2018)45/ANN1
dalam satu konteks (mendapatkan skor tinggi dalam permainan strategi), dapat memakan
waktu ratusan bahkan ribuan jam untuk belajar menyesuaikan perilakunya dengan
perubahan sewenang-wenang dalam tujuan (mendapatkan skor terendah) atau konteks
(perubahan bentuk atau warna target) (Collins dan Frank, 2013[39]). Model dunia yang
dipelajari dapat mengganggu AI yang beradaptasi dengan situasi baru dengan
aturan yang berbeda, bahkan situasi yang tidak akan menimbulkan hambatan untuk
kapasitas pemrosesan prediktif seorang anak (Eliasmith et al., 2012[40]; Rougier et al.,
2005[41]).
Kemajuan teknologi yang pesat telah menghasilkan AI yang mampu menangani
kompleksitas dan ketidakpastian secara efektif. Kemampuan manusia untuk beradaptasi
dengan situasi baru saat ini berada di luar cakupan algoritma yang paling cerdas. Saat ini,
perubahan konteks dan ambiguitas situasional masih memberikan tantangan tersendiri
untuk berpindah dari AI spesifik ke AI yang lebih umum. Namun, perubahan teknologi
terjadi dengan kecepatan yang terus meningkat. Dalam waktu dekat, mesin akan
mendapatkan lebih banyak otonomi dan kemampuan beradaptasi yang lebih besar, dan
keterbatasan teknologi saat ini mungkin berumur pendek.
Jelas, situasi VUCA menantang kecerdasan manusia dan mesin. Sejauh ini kami telah
menyarankan bahwa orang dapat merespons dengan cara yang sehat dan tidak sehat
terhadap situasi VUCA (misalnya, menganggap perubahan sebagai tantangan, versus
perubahan sebagai ancaman). Kami mengeksplorasi bagaimana manusia berpotensi
sangat adaptif dan dalam banyak kasus, dan dapat berkembang meskipun dalam kondisi
yang tidak terduga. Menurut akun pemrosesan prediktif pikiran, manusia dapat
mengurangi ketidakpastian melalui tindakan mereka di dunia, dengan memperbarui
keyakinan mereka, dan dengan kemampuan mereka untuk membuang keyakinan ketika
mereka tidak membantu. Dengan kata lain, mereka dapat menangani ketidakpastian
secara efektif dengan menjadi pembelajar yang mudah beradaptasi. Ketidakpastian juga
dapat membuat orang merasa cemas, stres, atau terancam ketika keyakinan yang kaku
ditantang. Karena itu,
Kami juga mengeksplorasi keadaan penelitian saat ini dalam kecerdasan buatan, dan
menunjukkan beberapa perbedaan penting dalam kecerdasan manusia dan mesin. Ketika
ditempatkan dalam keadaan yang tidak biasa—seperti negara baru, sekolah baru, atau
tempat kerja baru—manusia dapat secara efektif mempelajari struktur lingkungan dan
menggantikan struktur atau keyakinan lama yang tidak lagi relevan. Di sisi lain, dalam
banyak situasi VUCA, mesin pada prinsipnya belum menunjukkan kemanjuran, terutama
dalam situasi yang ditandai dengan ambiguitas dan volatilitas (Lake et al., 2017[30]). AI
bisa sangat efisien dalam menyelesaikan tugas-tugas tertentu, dan merespons secara
efektif kompleksitas dan beberapa fitur ketidakpastian, tetapi tidak dapat menangani
perubahan dalam tujuan dan konteks tugas (Collins dan Frank, 2013[39]). Sederhananya,
manusia memiliki kapasitas untuk menangani VUCA tetapi terkadang gagal
melakukannya secara produktif, sedangkan, dalam beberapa kasus mesin tidak memiliki
kapasitas sama sekali. Di Bagian 2, kita membahas bagaimana agensi dapat menjadi alat
yang berharga dalam pengurangan ketidakpastian, dan domain lain di mana perbedaan
antara mesin dan manusia kemungkinan besar akan terungkap.
2. BAGIAN 2: Agensi
2.1. manusia
Masyarakat Barat didasarkan pada gagasan tentang kebebasan individu dan tanggung
jawab pribadi. Kedua konsep tersebut bertumpu pada gagasan tentang agensi—bahwa
individu dapat membuat pilihan mereka sendiri dan bertindak sesuai dengan itu. Perasaan
agensi yang kuat telah dikaitkan dengan kepuasan hidup yang lebih tinggi, efikasi diri dan
pengendalian diri, rasa makna yang lebih tinggi, dan stres yang lebih rendah (Baumeister
dan Brewer, 2012[42]). Atribusi agensi untuk tindakan kita sendiri, dan tindakan orang
lain, juga memfasilitasi kohesi dan tanggung jawab sosial (Baumeister, Crescioni dan
Alquist, 2011[43]). Keyakinan tentang kehendak bebas seseorang dan orang lain
(kapasitas untuk membuat pilihan bebas dan bertindak sesuai dengan itu) juga telah
terbukti secara signifikan mempengaruhi sikap dan perilaku moral orang, serta rasa hak
pilihan mereka (Vohs dan Schooler, 2008[44]; Shariff dkk., 2014[45]; Lynn dkk.,
2014[46]). Seperti yang akan kita lihat, rasa hak pilihan tampaknya muncul dari kapasitas
kita untuk bertindak sejalan dengan sistem kepercayaan, tujuan, dan nilai kita. Struktur ini
tidak hanya membantu kita menafsirkan rangsangan yang tidak pasti, tetapi tampaknya
juga memandu perilaku, keputusan, dan tindakan kita di dunia yang tidak pasti.
Satu teori mengandaikan bahwa jika pikiran dan niat yang muncul untuk bertindak
(predicted outcome) mendahului dan konsisten dengan tindakan (actual outcome) maka
rasa keagenan muncul, bahkan jika tindakan kita sebenarnya tidak menyebabkan hasil.
Orang dapat dengan mudah dimanipulasi untuk mengalami perasaan hak pilihan yang
salah. Misalnya, hanya meminta peserta memikirkan tindakan yang akan datang pada
penunjuk (mirip dengan papan ouiji) meningkatkan rasa agensi mereka atas tindakan itu,
meskipun mereka sebenarnya tidak bertanggung jawab (Wegner & Wheatley, 2009). Dari
menekan lampu di penyeberangan pejalan kaki yang sebenarnya menggunakan pengatur
waktu, hingga menancapkan pin melalui boneka voodoo— keyakinan kita sebelumnya
tentang hak pilihan kita, tampaknya memengaruhi rasa kendali kita atas hasil terlepas dari
kebenarannya. Namun, rasa agensi tidak selalu ilusi. Lebih tepatnya, itu sangat fleksibel
dan karena itu bertanggung jawab untuk membuat kesalahan. Keyakinan kita tentang
agensi, tindakan kita, dan umpan balik sensorik bekerja bersama untuk secara adaptif
menginformasikan persepsi kita tentang agensi. Sebagian besar peneliti agensi sekarang
percaya bahwa proses prediktif dan postdictive berkontribusi pada pengalaman agensi
dalam tindakan. Synofzik, Vosgerau, dan Voss (2013[47]) berpendapat bahwa prediksi
internal berdasarkan representasi dari perintah motorik, atau "versi virtual" dicocokkan
dengan output sensorimotor (mirip dengan pemrosesan prediktif). Di mana keadaan yang
diharapkan bertemu dengan keadaan sebenarnya, kita merasakan adanya agensi untuk
tindakan tersebut, dan jika tidak, maka tidak ada rasa agensi yang terjadi (Frith,
2012[48]). Misalnya, memilih untuk mengambil botol air, dan kemudian melihat tangan
seseorang bergerak untuk mengambil botol air akan menghasilkan rasa keagenan. Moore
dan Haggard (2008[49]) menyarankan bahwa ketika data sensorik dapat diandalkan,
umpan balik sensorik akan sangat berbobot dalam menginformasikan rasa agensi. Ketika
data sensorik lemah, perkiraan akan lebih mengandalkan informasi sebelumnya (yaitu
kepercayaan, pengetahuan, dan informasi kontekstual). Seperti semua persepsi kita, rasa
keagenan didasarkan pada sistem pemrosesan yang dapat diperbarui sendiri dan fleksibel
dan oleh karena itu rentan terhadap kesalahan dalam mempertahankan struktur dan
kemampuan beradaptasi. Harga kesalahan mungkin sepadan dengan hasilnya. Karena
fleksibilitas pemrosesan kami, kami dapat memiliki rasa agensi pragmatis bahkan di mana
MASA DEPAN PENDIDIKAN DAN KETERAMPILAN 2030: ANALISIS
Untuk KURIKULUM
Penggunaan
EDU/EDPC(2018)45/ANN1 │19
agensi yang lebih literal tidak ada. Perasaan agensi ini melengkapi tindakan yang
diarahkan pada tujuan, membatasi jumlah kemungkinan interpretasi dan tindakan,
2.2. Mesin
a) Kesetaraan fungsional neuron dan node, dalam domain tertentu, akan diikuti oleh kesetaraan kemampuan
manusia dan AI di domain umum; b) Pada titik tertentu, kompetensi Manusia dan AI akan melihat kesetaraan
fungsional (singularitas) dan agen otonom akan diintegrasikan ke dalam komunitas.
Tantangan bagi AI umum untuk menjadi agen otonom bukan hanya tentang mendapatkan
kemampuan untuk menavigasi dunia VUCA dengan kompetensi tingkat manusia. Ada
juga tantangan praktis dan etis. Pertimbangkan situasi di mana mobil tanpa pengemudi
dihadapkan pada tujuan tertentu: mengangkut penghuninya dengan aman dari lokasi A ke
lokasi B. Bayangkan sekarang mobil mendekati penyeberangan pejalan kaki yang sibuk
dan remnya tidak berfungsi. Mobil otonom kemudian memiliki keputusan untuk dibuat:
menyelamatkan Anda—penumpang—dari cedera, dengan mengorbankan banyak nyawa,
atau membelok ke dinding untuk menghindari pejalan kaki dan berpotensi melukai Anda.
Struktur nilai 'hard-coded' untuk AI (menjaga keselamatan penumpang) tentu akan
membantu memandu perilaku, tetapi bahkan solusi yang dimaksudkan dengan baik dapat
menjadi malapetaka jika diterapkan secara tidak fleksibel. Lebih praktis, meskipun,
apakah Anda akan membeli mobil yang memilih untuk membunuh Anda? Bisakah Anda
membenarkan mobil yang membunuh pejalan kaki? Bahkan jika sistem otonom membuat
MASA DEPAN PENDIDIKAN DAN KETERAMPILAN 2030: ANALISIS
Untuk KURIKULUM
Penggunaan
EDU/EDPC(2018)45/ANN1 │23
keputusan yang 'benar', dan berfungsi sebagaimana dimaksud, ada hambatan praktis
untuk memberikan otonomi kepada teknologi AI di dunia yang bergejolak dan ambigu.
Ada juga pertimbangan praktis untuk tidak memberikan agensi kepada teknologi AI. Saat
ini, kami memiliki sistem AI yang memandu dan memfasilitasi pengambilan keputusan
manusia, tetapi pendekatan perantara ini sepertinya tidak akan berlanjut tanpa batas. Pada
titik tertentu, mungkin menjadi tidak etis untuk membiarkan manusia membuat keputusan
otonom karena presisi, akurasi, dan waktu respons mesin cerdas akan jauh lebih unggul
daripada operator manusia. Selain itu, titik di mana kompetensi manusia dan AI setara
(singularitas) akan singkat, dan periode di mana AI melampaui kompetensi manusia akan
sangat lama.
Manusia memiliki rasa hak pilihan, yang tidak sempurna, dan rawan kesalahan, tetapi
memandu keputusan dengan cara yang produktif, seringkali secara efektif mengurangi
ketidakpastian. Bagi orang-orang, pertanyaannya adalah 'bagaimana memanfaatkan nilai,
keyakinan, dan tujuan sebagai fungsi agensi', sedangkan mesin belum memiliki
kemampuan yang memungkinkan jenis otonomi yang sama (walaupun beberapa
mekanisme seperti pembelajaran penguatan muncul untuk mendekat). Kesulitan muncul
terutama ketika situasi secara etis ambigu. AI pandai mengikuti aturan, tetapi banyak
situasi dalam kehidupan tertanam dalam konteks tertentu yang mengubah aturan. Dalam
keadaan seperti itu, interaksi kompleks antara nilai, keyakinan, dan tujuan dapat
memberikan aksioma—dan agensi—untuk pengambilan keputusan dalam skenario moral
yang sulit. Untuk saat ini, kemampuan untuk mendekati ketidakpastian,
3. Diskusi
“Kami berada dalam situasi yang belum pernah terjadi sebelumnya dalam sejarah dalam arti
bahwa tidak ada yang tahu apa dasar-dasar tentang bagaimana dunia akan terlihat dalam 20
atau 30 tahun. Bukan hanya dasar-dasar geopolitik tetapi seperti apa pasar kerja nantinya,
keterampilan seperti apa yang dibutuhkan orang, seperti apa struktur keluarga nantinya,
seperti apa hubungan gender nantinya. Ini berarti bahwa untuk pertama kalinya dalam
sejarah kita tidak tahu apa yang harus diajarkan di sekolah.” Yuval Noah Harari (de Freytas-
Tamura, 2018[59])
Apakah mungkin untuk mempersiapkan yang tidak diketahui? Jika seorang pelancong
berangkat ke tujuan baru dengan budaya yang tidak dikenal, medan yang tidak dikenal,
dan mereka tidak tahu bahasa apa yang digunakan, tidak ada gunanya bagi mereka untuk
mencoba dan belajar bahasa Norwegia, atau mendaki gunung bersalju. Mereka tidak
dapat, menurut definisi, mempersiapkan diri dengan keterampilan khusus, karena tidak
ada kompas untuk menentukan keterampilan khusus apa yang akan berharga. Mereka
dapat, di sisi lain, mempersiapkan diri mereka dengan cara lain. Mereka dapat membekali
diri dengan keadaan pikiran, strategi, dan efikasi diri, yang diperlukan untuk mempelajari
keterampilan baru, mempelajari struktur budaya baru, dan mempelajari bahasa baru,
sehingga mereka siap untuk beradaptasi ketika mereka tiba. di tempat tujuan mereka.
Tinjauan literatur kami menunjukkan bahwa, berkaitan dengan pikiran manusia, wilayah
VUCA berpotensi berbahaya; tapi belum tentu begitu. Ketidakpastian, ketika terdaftar
sebagai ancaman, dapat menyebabkan kaskade respons simpatik yang terkait dengan stres
dan kecemasan (de Berker et al., 2016[60]). Otak, karena gagal memprediksi lingkungan,
mencatat kegagalan ini sebagai masalah. Paparan yang terlalu lama terhadap stres terkait
ketidakpastian dapat mengakibatkan keadaan kebingungan yang parah, gangguan,
suasana hati yang tertekan, dan bahkan dapat mempercepat perkembangan penyakit
(Eysenck et al., 2007[24]; Peters dan McEwen, 2015[26]). Toleransi ketidakpastian yang
rendah juga dikaitkan dengan kekhawatiran, gangguan kecemasan, fobia, dan depresi
(Buhn dan Dugas, 2002[61]; Dugas et al., 1998[62]; Freeston et al., 1994[63]; McEvoy
dan Mahoney, 2011[64]). Namun, ini bukan reaksi yang tak terhindarkan. Dalam skenario
kasus terbaik, gairah yang disebabkan oleh ketidakpastian dapat menjadi motivator kuat
yang meningkatkan kewaspadaan sensorik, perhatian, dan dapat meningkatkan kinerja
tugas (Servan-Schreiber, Printz dan Cohen, 1990[21]; Proulx dan Heine, 2009[65 ]).
Individu yang toleran terhadap ketidakpastian mungkin melihat situasi VUCA sebagai
peluang untuk belajar—sebagai peristiwa yang menarik (bahkan mungkin menakjubkan)
yang dapat dipahami dengan waktu dan usaha.
Seperti yang dibahas dalam BAGIAN 2: Keagenan, rasa keagenan dapat menjadi cara
yang ampuh untuk mengurangi efek berbahaya dari VUCA. Jika seseorang memiliki
nilai, keyakinan, dan tujuan yang membantu membatasi berbagai kemungkinan tindakan
dan pilihan — dan memiliki perasaan bahwa mereka bebas untuk bertindak sesuai dengan
itu — maka seseorang mungkin cenderung tidak mengalami ketidakpastian sebagai
ancaman (Inzlicht dan Tullett, 2010[66]; Kossowska et al., 2016[67]; Proulx, Inzlicht dan
Harmon-Jones, 2012[68]). Bagaimana masyarakat dan sistem pendidikan dapat
memberikan rasa hak pilihan yang tulus kepada orang-orang yang berurusan dengan
dunia yang semakin dinamis dan berubah? Jika seseorang kehilangan sumber pekerjaan
mereka karena otomatisasi, misalnya, bagaimana mereka dapat didorong untuk melihat
ketidakpastian ini sebagai peluang daripada ancaman? Untuk menjawab pertanyaan-
pertanyaan ini, kita perlu mempertimbangkan peluang apa yang benar-benar diberikan
oleh perubahan dan VUCA. Mungkin kesempatan paling jelas yang disajikan adalah
kesempatan belajar. Hampir semua situasi di mana pembelajaran sejati dapat terjadi, pasti
ada ketidakpastian. Misalnya, berjalan ke ruang kelas baru dan disajikan dengan materi
MASA DEPAN PENDIDIKAN DAN KETERAMPILAN 2030: ANALISIS
KURIKULUM Untuk
Penggunaan
26 │ EDU/EDPC(2018)45/ANN1
baru secara inheren menghadapkan calon siswa pada ketidakpastian. Jika materi di kelas
dipandang sebagai tidak mengancam, dan seseorang memiliki rasa keagenan dan efikasi
diri dalam mempelajari materi tersebut, maka pengalaman belajar yang positif dapat
terjadi (Zimmerman, 2000[69]). Secara analogi, situasi VUCA yang terjadi secara alami
di dunia juga bisa menjadi peluang untuk belajar—karena di mana ada ketidakpastian ada
juga sesuatu yang baru untuk dipahami. Dan karena salah satu keterampilan itu Misalnya,
berjalan ke ruang kelas baru dan disajikan dengan materi baru secara inheren
menghadapkan calon siswa pada ketidakpastian. Jika materi di kelas dipandang sebagai
tidak mengancam, dan seseorang memiliki rasa keagenan dan efikasi diri dalam
mempelajari materi tersebut, maka pengalaman belajar yang positif dapat terjadi
(Zimmerman, 2000[69]). Secara analogi, situasi VUCA yang terjadi secara alami di dunia
juga bisa menjadi peluang untuk belajar—karena di mana ada ketidakpastian ada juga
sesuatu yang baru untuk dipahami. Dan karena salah satu keterampilan itu Misalnya,
berjalan ke ruang kelas baru dan disajikan dengan materi baru secara inheren
menghadapkan calon siswa pada ketidakpastian. Jika materi di kelas dipandang sebagai
tidak mengancam, dan seseorang memiliki rasa keagenan dan efikasi diri dalam
mempelajari materi tersebut, maka pengalaman belajar yang positif dapat terjadi
(Zimmerman, 2000[69]). Secara analogi, situasi VUCA yang terjadi secara alami di dunia
juga bisa menjadi peluang untuk belajar—karena di mana ada ketidakpastian ada juga
sesuatu yang baru untuk dipahami. Dan karena salah satu keterampilan itu maka
pengalaman belajar yang positif dapat terjadi (Zimmerman, 2000[69]). Secara analogi,
situasi VUCA yang terjadi secara alami di dunia juga bisa menjadi peluang untuk belajar
—karena di mana ada ketidakpastian ada juga sesuatu yang baru untuk dipahami. Dan
karena salah satu keterampilan itu maka pengalaman belajar yang positif dapat terjadi
(Zimmerman, 2000[69]). Secara analogi, situasi VUCA yang terjadi secara alami di dunia
juga bisa menjadi peluang untuk belajar—karena di mana ada ketidakpastian ada juga
sesuatu yang baru untuk dipahami. Dan karena salah satu keterampilan itu
terpelajar mungkin memiliki waktu paruh yang pendek sebagai prospek pekerjaan, maka
mengembangkan kemampuan untuk belajar itu sendiri mungkin merupakan satu-satunya
solusi yang layak.
Belajar untuk belajar juga berharga karena tetap menjadi tantangan utama bagi
kecerdasan buatan. Di banyak domain tertentu, mesin sudah mengungguli manusia.
Namun, jika Anda menempatkan mesin yang ahli dalam Catur, dan memintanya untuk
bermain Tetris, mesin tersebut mungkin tidak akan pernah mempelajari aturannya tanpa
mengutak-atik manusia lebih lanjut. Di sisi lain, jika Anda mengajari seorang anak
bermain Catur, itu mungkin tidak membuat mereka lebih baik dalam bermain Tetris,
tetapi mereka akan dapat belajar bermain Tetris (atau bahkan bola basket!) tanpa terlalu
banyak kesulitan. Kemampuan untuk mempelajari struktur satu lingkungan, dan
kemudian mengesampingkan struktur tersebut (jika tidak relevan) untuk mempelajari
struktur baru, merupakan keuntungan yang berharga. Ini bukan hanya cara yang efektif
untuk membuat manusia kuat untuk berubah, tetapi juga salah satu kapasitas yang paling
tidak mungkin terkomputerisasi.
Apa itu meta-learning, dan dapatkah itu ditingkatkan? Menurut Maudsley (1979) [70]), meta-
learning adalah "... proses dimana peserta didik menjadi sadar dan semakin mengendalikan kebiasaan persepsi, penyelidikan, pembelajaran,
dan pertumbuhan yang telah mereka internalisasikan." John Biggs (Biggs, 1985[71]) menggunakan istilah itu untuk merujuk pada keadaan
"...sadar dan mengambil kendali atas pembelajarannya sendiri." Sederhananya, meta-learning adalah mengetahui cara terbaik untuk belajar.
Untuk meningkatkan meta-learning seseorang dapat mempelajari prinsip dan strategi yang membuat pembelajaran lebih efisien. Praktek
pengambilan, spasi, interleaving, umpan balik, elaborasi, dan pengujian, semua dapat membuat dampak yang sangat besar pada kualitas dan
efisiensi pembelajaran yang terjadi (Roediger III dan Butler, 2011[72]; Karpicke dan Blunt, 2011[73]). Siswa juga dapat diajari untuk
memantau kemajuan mereka dan merespons secara positif dalam menghadapi kegagalan (Dweck et al., 1978[74]; Boekaerts dan Corno,
2005[75]). Intervensi yang melibatkan pengajaran strategi metakognitif dan pembelajaran mandiri juga menunjukkan peningkatan substansial
dalam hasil akademik, dan strategi ini dapat digunakan sepanjang hidup seseorang (Dignath dan Büttner, 2008[76]). Kemampuan untuk
mentransfer pengetahuan dari satu domain ke domain lain—di mana transfer tersebut relevan—tampaknya juga merupakan keterampilan
yang dapat dipelajari (Brown dan Kane, 1988[77]). Jelas, ada banyak strategi efektif untuk membuat manusia menjadi pembelajar yang lebih
baik, dan jika seorang individu dilengkapi dengan kapasitas meta-learning ini, VUCA mungkin tidak tampak begitu mengancam.
Kemampuan untuk mentransfer pengetahuan dari satu domain ke domain lain—di mana transfer tersebut relevan—tampaknya juga
merupakan keterampilan yang dapat dipelajari (Brown dan Kane, 1988[77]). Jelas, ada banyak strategi efektif untuk membuat manusia
menjadi pembelajar yang lebih baik, dan jika seorang individu dilengkapi dengan kapasitas meta-learning ini, VUCA mungkin tidak tampak
begitu mengancam. Kemampuan untuk mentransfer pengetahuan dari satu domain ke domain lain—di mana transfer tersebut relevan—
tampaknya juga merupakan keterampilan yang dapat dipelajari (Brown dan Kane, 1988[77]). Jelas, ada banyak strategi efektif untuk
membuat manusia menjadi pembelajar yang lebih baik, dan jika seorang individu dilengkapi dengan kapasitas meta-learning ini, VUCA
mungkin tidak tampak begitu mengancam.
4. Penutup
Dunia dulunya seperti lautan di hari yang tenang—pergerakannya masih sulit diprediksi
tetapi gelombang perubahannya lebih lambat dan kurang dramatis. Saat ini, teknologi,
globalisasi, dan pertumbuhan populasi berkontribusi pada peningkatan badai laut. Maka
itu adalah keberuntungan yang baik, bahwa manusia diberkahi dengan plastisitas tertentu
yang membuat mereka dapat beradaptasi dengan perubahan melalui pembelajaran. Di
dunia VUCA, ini mungkin aset terbesar mereka. Sementara ketidakpastian memiliki
bahaya bagi manusia, itu adalah mesin yang belum cukup maju untuk menangani
ambiguitas dan volatilitas kehidupan modern. Ketika dilengkapi dengan strategi meta-
learning—dan akses ke guru dan mentor—manusia mungkin berada dalam posisi untuk
berkembang, sebagai pembelajar seumur hidup, dalam situasi yang sama di mana mesin
melakukan kesalahan.
Referensi
Ananthaswamy, A. (2017), “Itu adalah koloni rayap di antara telinga Anda”, New [13]
Scientist, Vol. 233/3112, hlm. 42-43.
Aston-Jones, G. dan J. Cohen (2005), "Sebuah teori integratif fungsi lokus coeruleus- [23]
norepinefrin: keuntungan adaptif dan kinerja yang optimal", Tinjauan Tahunan
Neuroscience, Vol. 28, hlm. 403-450.
Baumeister, R. dan L. Brewer (2012), “Percaya versus tidak percaya pada kehendak bebas: [42]
Berkorelasi dan
konsekuensi”, Psikologi Sosial dan Kepribadian, Vol. 6/10, hlm. 736-745.
Baumeister, R., A. Crescioni dan J. Alquist (2011), "Kehendak bebas sebagai kontrol [43]
tindakan lanjutan untuk kehidupan sosial dan budaya manusia", Neuroethics, Vol. 4/1,
hal. 1-11.
Behrens, T. dkk. (2007), "Mempelajari nilai informasi di dunia yang tidak pasti", Ilmu saraf [28]
Alam, Vol. 10/9, hal. 1214.
Bennis, W. dan B. Nanus (1985), Pemimpin: Strategi untuk Mengambil alih, Harper & Row. [6]
Bestmann, S. dkk. (2014), "Peran dopamin dalam fleksibilitas motorik", Jurnal ilmu saraf [20]
kognitif, Vol. 27/2, hlm. 365-376.
Biggs, J. (1985), "Peran metalearning dalam proses studi", British Journal of Educational [71]
Psychology, Vol. 55, hlm. 185-212.
Boekaerts, M. dan L. Corno (2005), "Pengaturan diri di kelas: Sebuah perspektif [75]
penilaian dan intervensi", Psikologi Terapan, Vol. 54/2, hlm. 199-231.
Brooks, A.et al. (2016), "Jangan berhenti percaya: Ritual meningkatkan kinerja dengan [55]
mengurangi kecemasan", Perilaku Organisasi dan Proses Keputusan Manusia, Vol. 137,
hlm. 71-85.
Brown, A. dan M. Kane (1988), "Anak-anak prasekolah dapat belajar untuk mentransfer: [77]
Belajar untuk belajar dan belajar dari contoh", Psikologi Kognitif, Vol. 20/4, hlm. 493-523.
Buhn, K. dan M. Dugas (2002), “Intoleransi skala ketidakpastian: Sifat psikometrik [61]
dari versi bahasa Inggris.”, Penelitian dan terapi perilaku, Vol. 40/8, hlm. 931-945.
Campbell, M., J. Hoane dan F. Hsu (2002), "Deep Blue", Kecerdasan buatan, Vol. 134/1-2, [35]
hlm. 57-83.
Clark, A. (2013), "Otak prediktif, agen terletak, dan masa depan ilmu kognitif", [11]
Ilmu perilaku dan otak, Jil. 36/3, hlm. 181-204.
De Berker, A. (2016), "Stres akut secara selektif merusak pembelajaran untuk bertindak", [29]
Scientific Reports, Vol. 6/29816.
de Berker, A.et al. (2016), “Perhitungan ketidakpastian memediasi respons stres akut di [60]
manusia”, Komunikasi alam, Vol. 7, hal. 10996.
de Freytas-Tamura, K. (2018), What's Next for Humanity: Automation, New Morality and [59]
a 'Global Useless Class'.
Dignath, C. dan G. Büttner (2008), “Komponen mendorong pembelajaran mandiri di antara [76]
siswa. Sebuah meta-analisis pada studi intervensi di tingkat sekolah dasar dan
menengah”, Metakognisi dan pembelajaran, Vol. 3/3, hlm. 231-264.
Draganski, B.et al. (2004), "Neuroplastisitas: perubahan materi abu-abu yang disebabkan [58]
oleh pelatihan",
Alam, Jil. 427/6972, hal. 311.
Dugas, M.et al. (1998), "Gangguan kecemasan umum: Tes pendahuluan model [62]
konseptual", Penelitian dan terapi perilaku, Vol. 36/2, hlm. 215-226.
Dweck, C.et al. (1978), “Perbedaan jenis kelamin dalam ketidakberdayaan yang dipelajari: [74]
II. Kontinjensi umpan balik evaluatif di kelas dan III. Analisis eksperimental”, Psikologi
perkembangan, Vol. 14/3, hal. 268.
Eliasmith, C.et al. (2012), "Sebuah model skala besar dari otak yang berfungsi", [40]
Science, Vol. 338/6111, hal. 1202-1205.
Eysenck, M.et al. (2007), "Kecemasan dan kinerja kognitif: teori kontrol perhatian", [24]
Emosi, Jil. 7/2, hal. 336.
Freeston, M.et al. (1994), "Mengapa orang khawatir?", Kepribadian dan perbedaan [63]
individu, Vol. 17/6, hlm. 791-802.
Frey, C. dan M. Osborne (2013), Masa Depan Ketenagakerjaan: Seberapa Rentannya [78]
Pekerjaan terhadap Komputerisasi,http://sep4u.gr/wp-
konten/unggahan/The_Future_of_Employment_ox_2013.pdf.
Friston, K. (2013), "Pembelajaran dan inferensi di otak", Vol. 16/9, hlm. 1325-1352. [16]
Friston, K. (2010), "Prinsip energi bebas: teori otak terpadu?", Nature Review [15]
Neuroscience, Vol. 11/2, hal. 127.
Friston, K. (2009), "Prinsip energi bebas: panduan kasar untuk otak?", Tren ilmu kognitif, Vol. [14]
13/7, hlm. 293-301.
Friston, K. (2005), "A Theory of Cortical Responses", Transaksi filosofis dari Royal Society of [79]
London B: Biological Sciences, Vol. 360/1456, hlm. 815-836.
Friston, K. (2003), "Pembelajaran dan inferensi di otak", Neural Networks, Vol. 16/9, hlm. [10]
1325-1352.
Frith, C. (2012), "Menjelaskan delusi kontrol: Model pembanding 20 tahun kemudian", [48]
Kesadaran dan kognisi, Jil. 21/1, hlm. 52-54.
Heine, S. (2006), "Model pemeliharaan makna: Pada koherensi motivasi sosial", [50]
Review Psikologi Kepribadian dan Sosial, Jil. 10/2, hlm. 88-110.
Hirsh, J., R. Mar dan J. Peterson (2013), "Narasi pribadi sebagai tingkat integrasi kognitif [82]
tertinggi", Ilmu Perilaku dan Otak, Vol. 36/3, hlm. 216-217.
Hirsh, J., R. Mar dan J. Peterson (2012), "Entropi psikologis: Kerangka kerja untuk memahami [17]
kecemasan terkait ketidakpastian", Tinjauan psikologis, Vol. 119/2, hlm. 304-320.
Hsu, F., M. Campbell dan A. Hoane (1995), ikhtisar sistem Deep Blue, ACM. [36]
Inzlicht, M.et al. (2009), "Penanda saraf keyakinan agama", Ilmu Psikologi, Vol. 20/3, [51]
hlm. 385-392.
Inzlicht, M. dan A. Tullett (2010), “Reflecting on God: Religius primes can reduce [66]
neurophysiological response to error”, Psychological Science, Vol. 21/8, hlm. 1184-
1190.
Karpicke, J. dan J. Blunt (2011), “Praktek pengambilan menghasilkan lebih banyak [73]
pembelajaran daripada elaboratif
belajar dengan pemetaan konsep”, Science, hal. 1199327.
Kasdan, T. dan J. Rottenberg (2010), "Fleksibilitas psikologis sebagai aspek fundamental [57]
kesehatan", tinjauan psikologi klinis, Vol. 30/7, hlm. 865-878.
Kossowska, M.et al. (2016), “Ancaman citra diri mengurangi stereotip: Peran motivasi [67]
menuju penutupan”, Motivasi dan emosi, Vol. 40/6, hlm. 830-841.
Kossowska, M.et al. (2016), “Fungsi kecemasan dari keyakinan fundamentalis: bukti [52]
neurokognitif”, Personality and Individual Differences, Vol. 101, hlm. 390-395.
Kurzweil, R. (2005), Singularitas Sudah Dekat, New York: Buku Viking. [4]
Danau, B. dkk. (2017), "Mesin Bangunan yang Belajar dan Berpikir Seperti Orang", Ilmu [30]
Perilaku dan Otak, Vol. 40.
Lang, M.et al. (2015), "Efek kecemasan pada perilaku ritual spontan", Biologi Saat Ini, Vol. [54]
25/14, hlm. 1892-1897.
LeCun, Y., Y. Bengio dan G. Hinton (2015), "Pembelajaran Mendalam", Alam, Vol. 521, hlm. 436-444.
[33]
MASA DEPAN PENDIDIKAN DAN KETERAMPILAN 2030: ANALISIS
KURIKULUM Untuk
Penggunaan
34 │ EDU/EDPC(2018)45/ANN1
Lynn, M.et al. (2014), “Keyakinan determinis priming mengurangi implisit (tetapi tidak [46]
eksplisit)
komponen self-agency”, Frontiers dalam psikologi, Vol. 5, hal. 1483.
Marshall, J. dan J. Oberwinkler (1999), “Visi ultraviolet: Dunia belalang yang penuh warna [8]
udang.”, Alam, Vol. 401/6756, hal. 873.
Marshall, L. dkk. (2016), "Sidik jari farmakologis ketidakpastian kontekstual", PLoS [18]
Biology, Vol. 14/11, hal. e1002575.
Maudsley, D. (1980), “Sebuah teori meta-learning dan prinsip-prinsip fasilitasi: Sebuah [7]
organisme
perspektif”, Tesis Magister tidak diterbitkan.
Maudsley, D. (1979), Sebuah teori meta-learning dan prinsip-prinsip fasilitasi: Sebuah [70]
organismic
perspektif (tesis Master tidak diterbitkan)., Universitas Toronto, Kanada..
McEvoy, P. dan A. Mahoney (2011), "Mencapai kepastian tentang struktur intoleransi [64]
ketidakpastian dalam sampel pencarian pengobatan dengan kecemasan dan depresi",
Journal of Anxiety Disorders, Vol. 25/1, hlm. 112-122.
McEwen, B. (1998), "Stres, adaptasi, dan penyakit: Allostasis dan beban allostatic", Annals [25]
dari akademi ilmu pengetahuan New York, Vol. 840/1, hlm. 33-44.
McEwen, B. dan E. Stellar (1993), "Stres dan individu: mekanisme yang mengarah ke [80]
penyakit",
Arsip Ilmu Penyakit Dalam, Jil. 153/18, hlm. 2093-2101.
Mnih, V. dkk. (2015), "Kontrol tingkat manusia melalui pembelajaran penguatan [37]
mendalam", Nature, Vol. 518/7540, hal. 529.
Moore, G. (1975), "Kemajuan Dalam Elektronik Digital Terintegrasi", Intisari Teknis, hlm. 11-13. [2]
Moore, J. dan P. Haggard (2008), "Kesadaran tindakan: Inferensi dan prediksi", [49]
Kesadaran dan kognisi, Jil. 17/1, hlm. 136-144.
Newell, A. dan H. Simon (1961), GPS, sebuah program yang mensimulasikan pemikiran manusia. [32]
Nyhan, B. dan J. Reifler (2010), "Ketika koreksi gagal: Persistensi salah persepsi [53]
politik", Perilaku Politik, Vol. 32/2, hlm. 303-330.
Palmer, J. dan A. Chakravarty (2014), Pembelajaran mesin yang diawasi, John Wiley & Sons Inc. [34]
Pasmore, B. dan T. O'Shea (2010), "Kelincahan kepemimpinan: Sebuah keharusan bisnis [5]
untuk dunia VUCA", Orang dan Strategi, Vol. 33/4, hal. 32.
Peters, A. dan B. McEwen (2015), "Pembiasaan stres, bentuk tubuh dan kematian [26]
kardiovaskular", Ulasan Neuroscience & Biobehavioral, Vol. 56, hal.139-150.
Peters, A., B. McEwen dan K. Friston (2017), "Ketidakpastian dan stres: Mengapa [22]
menyebabkan penyakit dan bagaimana hal itu dikuasai oleh otak", Kemajuan dalam
neurobiologi, Vol. 156, hlm. 164-188.
MASA DEPAN PENDIDIKAN DAN KETERAMPILAN 2030: ANALISIS
Untuk KURIKULUM
Penggunaan
EDU/EDPC(2018)45/ANN1 │35
Peters, A.et al. (2004), "Otak egois: kompetisi untuk sumber energi", Neuroscience & [27]
Biobehavioral Review, Vol. 28/2, hlm. 143-180.
Proulx, T. dan S. Heine (2009), "Koneksi dari Kafka: Paparan ancaman makna [65]
meningkatkan pembelajaran implisit dari tata bahasa buatan", Ilmu Psikologi, Vol.
20/9, hal. 1125-1131.
Proulx, T., M. Inzlicht dan E. Harmon-Jones (2012), “Memahami semua inkonsistensi [68]
kompensasi sebagai respons paliatif terhadap harapan yang dilanggar”, Tren dalam ilmu
kognitif, Vol. 16/5, hlm. 285-291.
Roediger III, H. dan A. Butler (2011), "Peran penting dari praktik pengambilan dalam [72]
retensi jangka panjang", Tren dalam ilmu kognitif, Vol. 15/1, hlm. 20-27.
Rougier, N. et al. (2005), "refrontal cortex dan kontrol kognitif fleksibel: Aturan tanpa [41]
simbol", roceedings dari National Academy of Sciences, Vol. 102/20, hlm. 7338-7343.
Servan-Schreiber, D., H. Printz dan J. Cohen (1990), "Sebuah model jaringan efek [21]
katekolamin: gain, rasio signal-to-noise, dan perilaku", Science, Vol. 249/4971, hlm.
892-895.
Syarif, A.et al. (2014), "Kehendak bebas dan hukuman: Pandangan mekanistik tentang [45]
sifat manusia mengurangi retribusi", Ilmu Psikologi, Vol. 25/8, hlm. 1564-1570.
Swanson, L. (2016), "Paradigma pemrosesan prediktif berakar pada Kant", Perbatasan [9]
dalam ilmu saraf sistem, Vol. 10, hal. 79.
Synofzik, M., G. Vosgerau dan M. Voss (2013), “Pengalaman agensi: interaksi [47]
antara prediksi dan postdiction", Perbatasan dalam psikologi, Vol. 4, hal. 127.
Tolin, D.et al. (2003), "Intoleransi ketidakpastian dalam gangguan obsesif-kompulsif", Jurnal [56]
gangguan kecemasan, Vol. 17/2, hlm. 233-242.
Vohs, K. dan J. Schooler (2008), "Nilai percaya pada kehendak bebas: Mendorong [44]
keyakinan dalam determinisme meningkatkan kecurangan", Ilmu Psikologi, Vol. 19/1,
hlm. 49-54.
Wang, X., R. Ashfaq dan A. Fu((nd)), “Kategorisasi sampel berdasarkan ketidakjelasan untuk [38]
peningkatan kinerja pengklasifikasi”, jurnal Intelligent & Fuzzy Systems, Vol. 29/3, hal.
1185-1196.
Wegner, D. dan T. Wheatley (1999), "Penyebab mental yang jelas: Sumber pengalaman [81]
kehendak", Psikolog Amerika, Vol. 54/7, hal. 480.
Yu, A. dan P. Dayan (2005), "Ketidakpastian, neuromodulasi, dan perhatian", Neuron, Vol. [19]
46/4, hlm. 681-692.
Zimmerman, B. (2000), "Self-efficacy: Sebuah motif penting untuk belajar", psikologi [69]
pendidikan kontemporer, Vol. 25/1, hlm. 82-91.