HumanRoboLab: Eksperimen dengan Chatbots

dalam Pendidikan Manajemen di Universitas

1 Chatbots Berbasis AI dalam Pengajaran

Pendidikan Tinggi: Mengapa?
Pengembangan algoritma di bidang kecerdasan buatan (AI) adalah kategori topik
dalam ilmu komputer yang bertujuan untuk memetakan dan mensimulasikan
pemikiran manusia, pengambilan keputusan membuat, dan perilaku pemecahan
masalah menggunakan proses komputerisasi (Bendel, 2020). Chatbots termasuk
dalam kategori ini karena mereka menggunakan elemen AI untuk mensimulasikan
perilaku komunikasi manusia sedemikian rupa sehingga orang dapat berbicara
dengan mereka menggunakan bahasa alami. Namun, konsep chatbot berbasis AI
seperti itu agak membatasi dalam konteks pengajaran pendidikan tinggi yang
berorientasi aplikasi: Terlalu umum dirumuskan dan mengasumsikan keahlian dalam
ilmu kognitif untuk penggunaan operasionalnya untuk menjadi mungkin. Untuk
menghindari defisit ini, bab ini mengacu pada Hammond (2017) Tabel Periodik AI
(Gbr. 1) untuk membuat istilah "chatbots berbasis AI" cocok untuk penggunaan
praktis dalam pengajaran pendidikan tinggi. Versi bahasa Jerman dari tabel periodik
AI disediakan oleh Bitkom (2018) dalam buku pegangan online. Itu penulis mengacu
pada konsep Hammond untuk mensistematisasikan fungsi AI: Hammond
menganggap AI sebagai kombinasi elemen dasar, mirip dengan bata LEGO
pelengkap. Setiap elemen AI mewakili sub-fungsi yang secara historis memantapkan
dirinya sebagai fungsionalitas yang dienkapsulasi dari kompleksitas dan kekuatan.
Penulis mengidentifikasi total 28 elemen AI yang dapat digabungkan menurut
kriteria umum (Bitkom, 2018, hlm. 15). Susunan tabular Hammond dari semua
elemen AI disebut "tabel periodik," analog dengan ilmu fisika. Setiap elemen AI
dapat ditugaskan ke salah satu dari tiga kelompok: Nilai berwarna hijau tua/terang,
Infer berwarna kuning/oranye, dan Respon berwarna magenta.
Melalui kombinasi berbagai elemen AI ini, aplikasi pada gilirannya dapat diturunkan
dan didefinisikan secara abstrak. Sesuai dengan ini, chatbots terdiri dari
elemen AI berikut:

Ekstraksi teks [Te] berarti elemen AI ini mahir dalam menganalisis teks. Hal ini
dilakukan dengan belajar membedakan antara entitas (misalnya, orang, organisasi,
kota, produk) dan istilah (misalnya, komunikasi, inovasi, produksi) dalam teks. Hal ini
memungkinkan ambiguitas dalam nama dan kata-kata untuk diselesaikan. Sangat
setiap hari contoh ambiguitas yang ingin diselesaikan AI adalah kata Müller,
yang,tergantung pada konteksnya, bisa merujuk pada politisi Gerd Müller,
pesepakbola Thomas Müller, jaringan toko obat Müller, atau hanya kata Jerman
untuk seseorang yang mengoperasikan pabrik. Pemahaman bahasa [Lu]
berhubungan dengan pemahaman informasi dalam teks, yaitu, penugasan makna.
Elemen AI ini menangkap hubungan antara entitas dan konsep yang dimaksudkan
dalam teks dan dengan demikian memecahkan dua masalah: pertama, dijelaskan
entitas dan konsep mana dalam struktur kalimat sebenarnya terkait satu sama lain;
kedua, pentingnya hubungan ini adalah diperiksa. Hasil pemahaman bahasa [Lu]
dalam kombinasi dengan teks ekstraksi [Te] adalah terjemahan dari teks yang
mungkin ambigu menjadi teks yang tidak ambigu
representasi mesin (Bitkom, 2018).
Komunikasi [Cm] sebagai elemen AI digunakan untuk menjawab secara otomatis
sejumlah besar pertanyaan individu atau berulang. Selama ini, model dilatih
berdasarkan studi kasus tertentu. Model-model ini mampu memahami makna
pertanyaan yang masuk untuk menyarankan jawaban dan melakukan dialog. Dikasus
chatbots, dataset ini terdiri dari model bahasa yang dilatih oleh pembelajaran mesin.
Dengan memecah aplikasi kompleks seperti chatbot, tabel periodik AI membantu
memperjelas cara berbagai elemen kecerdasan buatan saling berhubungan dan
bekerja. Dengan demikian, mengurangi kompleksitas dengan memecahnya menjadi
nts dengan fungsi yang berbeda membantu membuat bidang kecerdasan buatan
yang luas lebih bisa diterapkan.

1.1 Dukungan Proses sebagai Bidang Aplikasi

Area aplikasi untuk chatbot beragam. Dalam istilah dasar, chatbot digunakan
untuk mendukung orang dalam proses dan untuk mengoptimalkan proses. Area
aplikasi ini dapat dibagi menjadi tiga skenario aplikasi menyeluruh:
a) pengambilan keputusan,
(b) komunikasi, dan
(c) proses belajar mengajar (lihat Gambar 2). Ini skenario dipertimbangkan secara
lebih rinci di bawah ini.
(a) Penggunaan chatbot dalam situasi pengambilan keputusan masih dalam tahap
awal. Ini chatbots khusus bertindak sebagai asisten bagi manusia. Misalnya, di ruang
angkasa skenario, chatbot berorientasi keputusan dapat menentukan langkah-
langkah (pengujian) berikutnya atau menghitung probabilitas dalam situasi
berbahaya. Sebuah chatbot yang dikembangkan oleh siswa bekerja sama dengan
OHB SE bernama Alan, Astro Aid (lihat bab “Virtual Inkubator Bisnis: Pendukung
Kewirausahaan di Pedesaan?”), untuk misalnya, mendukung astronot dalam
menyelesaikan kesulitan dalam menangani Eropa Modul Fisiologi dikembangkan
oleh OHB SE.
(b) Chatbot yang digunakan untuk proses komunikasi terutama ditemukan di
pelanggan melayani. Chatbots ini dapat digunakan untuk memesan penerbangan,
memesan produk, atau memproses keluhan (dukungan tingkat pertama). Dengan
menggunakan chatbot ini, perusahaan dapat beroperasi lebih efisien dan
memastikan layanan pelanggan yang ditargetkan dengan lebih baik.
(c) Chatbots juga dapat digunakan dalam proses belajar mengajar sebagai pelatihan
virtual mitra untuk membantu siswa mengkonsolidasikan materi pembelajaran (de
Witt et al., 2020,p. Ada empat bidang aplikasi yang berbeda:
1) mendukung pelajar,
seperti dalam komunitas online;
(2) mendukung kegiatan pembelajaran;
(3) (3) pengujian
pengetahuan dan menilai kinerja; dan
(4) nasihat belajar atau karir (Satow, 2018).
1.2 Pemodelan dan Pelatihan Chatbots
Teknologi chatbot pada dasarnya bukanlah hal baru. Prototipe pertama dibuat
kembali pada tahun 1960-an. ELIZA, dikembangkan oleh Joseph Weizenbaum,
dianggap sebagai chatbot pertama yang berfungsi penuh dan dikenal karena simulasi
anya yang dangkal psikoterapis. Dalam psikoterapi, pertanyaan terbuka yang
ditargetkan diajukan — sebuah prinsip yang Weizenbaum gunakan dengan
mengembangkan program yang menerapkan non-direktifteknik psikoterapi yang
berpusat pada orang menurut Carl Rogers (Höltgen & Baranovska, 2018). ELIZA
menggunakan kamus terstruktur untuk ini, mencari kalimat yang dimasukkan oleh
pengguna untuk istilah dari kamusnya. Diberi kata yang cocok, chatbot mencari
istilah umum atau sinonim yang melaluinya ELIZA dapat mengarahkan percakapan.
Berikut ini contohnya: Pengguna: "Saya punya masalah dengan ibu saya."
ELIZA: “Ceritakan lebih banyak tentang keluargamu!”
Bentuk kueri basis data ini, bagaimanapun, tidak lagi sebanding dengan apa yang
dikenal hari ini sebagai kecerdasan buatan (dalam arti program belajar mandiri).
Sejak
ELIZA, teknologi chatbot terus berkembang, terutama dengan percakapan
AI, yang memungkinkan interaksi manusia-mesin melalui bahasa alami dan yang
menjadi semakin efisien (Lamprecht, 2016). Contohnya termasuk berbasis AI
aplikasi seperti GPT-3 OpenAI, Google Dialogflow, Microsoft Luis, Amazon
Lex, dan Asisten Watson IBM. Sebuah fitur khusus dari kerangka kerja ini adalah
bahwamereka memungkinkan bahkan orang biasa untuk mengembangkan chatbot
mereka sendiri dalam beberapa jam tanpa mereka harus mahir dalam bahasa
pemrograman. Logika di balikteknologi ini sepele: Chatbot dilatih pada konten
tertentu, yang dikenal sebagai maksud,yang dimasukkan ke dalam sistem masing-
masing. Ini memungkinkan chatbot untuk merespons untuk query dalam hitungan
detik dan memungkinkan interaksi secara real time. Sejauh mana interaksi benar-
benar berhasil tergantung pada interaksi algoritma AIdengan model bahasa. Fitur
kualitas utama di sini adalah struktur obrolan desain: semakin komprehensif
kemungkinan niat pengguna (dalam bentuk pertanyaan, perintah, dan obrolan
ringan) dapat ditangani, semakin tinggi kemungkinannya bahwa interaksi akan
dianggap menguntungkan (McTear et al., 2016).

1.3 Chatbots sebagai Pengantar Pembelajaran Mesin

Untuk merancang chatbot interaktif, siswa harus membuat model bahasauntuk
aplikasi kasus masing-masing, latih, lalu optimalkan berdasarkan inisialdata uji.
Dengan cara ini, siswa dapat mempelajari bagaimana pembelajaran mesin (ML),
sebuah subbidang AI, cara kerja dan cara mengontrol dan memantau proses
pembelajaran ini. Data untuk model bahasa sangat penting di sini. Data ini terdiri
dari tiga bagian utama—maksud, entitas, dan dialog—yang dimasukkan ke dalam
platform chatbot. ML menggunakan teknologi yang dikenal sebagai jaringan saraf,
yang merupakan algoritma dengan struktur serupa ke otak manusia. Mereka dapat
mengenali dan mencocokkan pola berulang dengan menggunakan semua
informasi dunia nyata yang mereka ketahui (misalnya, gambar, teks, urutan waktu)
untuk menerjemahkan pola yang sudah dikenal ke dalam vektor matematika.
Menggunakan jaringan saraf, sistem masing-masing dapat mengklasifikasikan
informasi baru berdasarkan kesamaan dan menggabungkan itu menjadi entitas.
Entitas ini ditandai dengan label, seperti "pelanggan", "kolega," dan "pesanan"
(Roßbach, 2017, hlm. 13 f.; Schikora et al., 2020, hlm. 268). Ada tiga jenis ML yang
berbeda: pembelajaran yang diawasi, pembelajaran yang tidak diawasi.
ing, dan penguatan belajar. Dalam pembelajaran terawasi, sebuah program
diberikan kumpulan data sampel. Ini berisi data yang sudah dibagi ke dalam kategori
tertentu (cluster) dan berlabel (labeled data). Dengan cara ini, program mengenali
tertentu parameter input dan dapat menetapkannya ke hasil. Dengan data yang
telah ditetapkan,itu menjadi model melalui pelatihan berjalan. Setelah model dibuat,
data yang tidak diketahui dapat diberikan ke model dan program menghitung
hasilnya(ramalan). Dalam pembelajaran tanpa pengawasan, program menghasilkan
model untuk
kumpulan input. Model ini menjelaskan input dan memungkinkan prediksi. masukan
data dibagi melalui proses cluster menjadi beberapa kategori yang berbeda dari
satu sama lain dengan pola karakteristik. Program ini mampu membuat secara
mandiriklasifikasi sesuai dengan yang mengkategorikan pola input (Gomes et al.,
2017, hal. 23; Schikora dkk., 2020, hal. 270). Pembelajaran penguatan
memungkinkan sebuah program untuk secara mandiri mempelajari strategi
berdasarkan fungsi penghargaan. Fungsi penghargaan (atau fungsi utilitas)
menggambarkan nilai keadaan atau tindakan tertentu. Tidak seperti pembelajaran
yang diawasi dan pembelajaran tanpa pengawasan, pembelajaran penguatan
tidakmemerlukan data apa pun sebelumnya. Sebaliknya, database dibuat dengan
coba-coba proses dalam skenario simulasi yang dibuat khusus. Selama pelatihan
berjalan, semua data yang diperlukan dihasilkan dan disorot. Metode pembelajaran
ini paling mirip dengan metode belajar alami manusia (Abdoos et al., 2015, hlm.
213). Pembelajaran yang diawasi digunakan dalam proyek chatbot sebagai bagian
dari HRL. Ini adalah sehingga siswa belajar bagaimana fungsi yang berguna untuk
program chatbot dapat dibuat dan digabungkan dari pasangan input dan output.
Agar pembelajaran mesin proses untuk bekerja, siswa harus memberikan nilai fungsi
yang benar untuk input.Dengan cara ini, siswa belajar mengembangkan model
(bahasa) konteks-spesifik. Ini proses itu berulang dan biasanya terus-menerus
diadaptasi dan direvisi sampai model bekerja memuaskan.

2 Proyek Chatbot di Laboratorium Dunia Nyata

Proyek chatbot dilakukan dalam kerangka HRL (lihat bab "Manajemen Sumber Daya
Manusia dalam Lingkungan Digital") didasarkan pada pengalamanimentasi di
laboratorium dunia nyata (Schneidewind, 2018); yaitu, mereka menciptakan
kerangka kerja untuk "bergerak dari pengetahuan ke tindakan." Proses tipikal ideal
laboratorium dunia nyata menurut pemahaman ini terjadi secara bersama-sama
dasar kreatif dengan mitra praktik yang (1) mengembangkan proyek bersama dengan
siswa, (2) menerapkan pemodelan teknis atau produksi chatbot, dan
(3)HumanRoboLab: Eksperimen dengan Chatbots dalam Pendidikan Manajemen di
Universitas 7menafsirkan dan mengevaluasi hasilnya (Gibbons et al., 1994; Singer-
Brodowski, 2016).Proses ini mencerminkan konsep di mana pendekatan
laboratorium dunia nyata adalahberbasis: kolaborasi transdisipliner ilmuwan,
mahasiswa, dan mitra praktikdengan tujuan memfasilitasi pembelajaran berbasis
penelitian. Ketergantungan konteksyang dihasilkan dari penerapan pengetahuan
memungkinkan refleksi (diri) terus menerus danevaluasi untuk berulang kali
mempertanyakan hasil dan menyesuaikannya dengandisi. Oleh karena itu,
laboratorium dunia nyata adalah pengaturan pembelajaran untuk
transdisiplinerpenelitian eksplorasi (Pijetlovic, 2020; Müller-Christ & Pijetlovic, 2018)
yang memperluasfokus biasa dari pengembangan dan penerapan teknologi AI di luar
integrasi dan sintesis pengetahuan untuk aplikasi potensial.

2.1 Konsep HumanRoboLab

HRL berupaya mengintegrasikan pengujian teknologi AI di dunia nyata laboratorium
ke dalam kursus psikologi ekonomi dan bisnis. Hal ini bertujuan untuk
mengintegrasikan real- lingkungan belajar dunia ke dalam modul pengajaran yang
ada dalam mata pelajaran ini,memungkinkan penggunaan teknologi digital
sementara pada saat yang sama mempromosikanpengembangan kompetensi untuk
desain dan refleksi yang bermakna. Intikonsep HRL adalah penyatuan keahlian
teoretis dan metodologis,pengalaman, dan refleksi (diri).Konteks seperti itu
memberikan pengetahuan khusus dasar dalam kelompok topikteori kecerdasan
buatan dan komunikasi yang berorientasi pada percakapan, tetapi
jugamempromosikan pemeriksaan praktis dari sistem, target, dan transformasi yang
siswa mendaftar di proyek chatbot masing-masing. Konsep ini dilengkapidengan
perspektif metodologis penelitian eksplorasi sistemik, yaitu:terdiri dari teori "ilmu
kemungkinan" ("Möglichkeitswissenschaften") (Pfriem, 2017) dan futurologi
(Kreibich, 2017). Interaksi antara teori dan praktik ini Tice disertai dengan latihan
untuk refleksi (diri), yang tidak hanya memperkuat pengalaman belajar, tetapi juga
memungkinkan pandangan kritis pada kompetensi sendiri dan pengaruh teknologi
pada perilaku manusia. Dalam pengertian ini, konsep HRL menghadiri apa yang
dikenal sebagai "misi ketiga" dari lembaga pendidikan tinggi kegiatan, artinya selain
dua misi pengajaran dan penelitian, institusi pendidikan tinggi saling berinteraksi
dengan non-perguruan tinggi dunia pendidikan dan menggunakan pendekatan dan
metode reflektif yang relevan secara sosial penelitian transdisipliner untuk tujuan ini
(Henke et al., 2016). Pengembangan dari prototipe chatbot menawarkan
kesempatan kepada siswa dan mitra latihan mereka tidak hanya untuk
mengembangkan ruang transformasi digital (Freiling et al., 2020) secara cara
kewirausahaan, tetapi juga untuk membawa mereka ke dalam konteks sosial-politik.

3 Pilihan Proyek Chatbot dari HRL

Konsep HRL telah diintegrasikan ke dalam gelar sarjana dan magisterkursus
administrasi bisnis dan psikologi bisnis di University of Bremen. Sebanyak 84 siswa
telah mengikuti HRL hingga saat ini. Kursus(enam/sembilan kredit poin) ditawarkan
selama satu semester dan diakhiri dengan publikpresentasi proyek dari prototipe
chatbot yang dikembangkan. Siswa memberikan inipresentasi akhir sebagai bagian
dari Konferensi Asisten Digital, yang juga dapatdihadiri oleh perwakilan perusahaan
yang berkepentingan. Format ini telah membantubeberapa siswa untuk memulai
karir mereka melalui pekerjaan proyek mereka. Mitra latihanyang telah terlibat
dalam proyek HRL sampai saat ini termasuk Sparkasse Bremen AG,kelompok
teknologi kedirgantaraan OHB SE, Techniker Krankenkasse, Beiersdorf AG,Universum
GmbH, Universitas Bremen, EWE AG, dan Seghorn AG, yangmengkhususkan diri
dalam pengelolaan piutang, serta pengembangan pariwisatakota Bremen. Siswa
bebas memutuskan mitra latihan mana yang harus didukungpengerjaan proyek
masing-masing.Di bawah ini adalah pilihan kecil proyek dari HRL, memberikan
contoh darikonteks praktis yang telah dikembangkan sepenuhnya oleh siswa
chatbot.

3.1 BOT TIKAY (Tekniker Krankenkasse)

Bot TiKay mengoptimalkan pencarian ruang di panti jompo. Dengan meminta
informasi spesifik tentang jenis perawatan, fokus perawatan, tingkat perawatan, dan
lokasi dari rumah perawatan yang diinginkan, selama obrolan, TiKay dapat
menyusun daftarrumah perawatan yang sesuai berdasarkan database. Pra-seleksi ini
memberikan pencarigambaran informatif tentang fasilitas yang berpotensi cocok
dan memungkinkan mereka untuk fokussaat menghubungi penyedia yang dipilih.
Selain itu, bot TiKay dapat menjawabpertanyaan umum tentang topik seperti biaya,
layanan, dan dukungan perawatan, atau untuk menetapkankontak langsung dengan
sumber informasi.

3.2 Museum Bot XT-9U (Universum GmbH)

XT-9U adalah chatbot untuk area Dunia Digital di museum interaktif Universitas di
Bremen, Jerman. XT-9U memiliki pengetahuan tentang AI dan robotika. Pengunjung
museum belajar dari chatbot itu sendiri berdasarkan jenis AI apa, dansensor apa
yang digunakan oleh robot seperti Pepper dan NAO (dikembangkan oleh SoftBank
Robotika) untuk dapat mengadakan percakapan. XT-9U didasarkan pada
modelseorang ilmuwan yang tertarik yang ingin menemukan hal-hal baru dan juga
suka menelitijawaban pengunjung. Nama asisten digital ini terinspirasi dari robot
Star WarsHumanRoboLab: Eksperimen dengan Chatbots dalam Pendidikan
Manajemen di Universitas 9R2D2 dan C3PO. XT dalam XT-9U adalah singkatan dari
eXtended Technology, 9 untuktahun pengembangannya 2019, dan U untuk
Universum—nama interaktif museum.
3.4 Alan (OHB SE)
Alan adalah chatbot yang dikembangkan bekerja sama dengan OHB Group. Alan
dirancanguntuk mendukung astronot di luar angkasa dalam memecahkan masalah
dan mengatasi kesalahan dengan cepat danefisien. Tidak seperti para ahli di Bumi,
dia dapat menjawab pertanyaan apa pun tanpa penundaandalam transmisi
percakapan, yang berarti bahwa ia memungkinkan dukungan real-time.Fokus dari
proyek bot ini adalah elemen layanan yang diproduksi oleh OHB untukRak Muatan
Standar Internasional berdasarkan Modul Fisiologi Eropa.Modul ini dirancang untuk
eksperimen dan merupakan penelitian pentingfasilitas laboratorium luar angkasa
Columbus di Stasiun Luar Angkasa Internasional (ISS).Dalam skenario aplikasi
pertama, Alan digunakan untuk membantu astronot memperbaiki
kekuatangangguan sirkuit yang telah terjadi di ISS pada tahun 2010 dan diperjelas
olehfakta bahwa unit distribusi daya tidak lagi berfungsi dengan baik.

4 Kompetensi dan Keterampilan yang Dipelajari

Sebagai bagian dari proyek chatbot di laboratorium dunia nyata, para siswa
mampu memperoleh kompetensi (lihat Tabel 1) yang, di antara hasil lainnya,
memungkinkanmereka untuk lebih menilai relevansi berurusan dengan chatbots di
berbagai bidangaplikasi, untuk menjernihkan kesalahpahaman dalam perdebatan
tentang AI dan chatbots,dan untuk lebih memahami pelaporan media tentang
perkembangan AI dan mengklasifikasikan dengan benarmereka. Di semua proyek
chatbot, ada dua area kompetensi utama yang lazim. Pertama adalahpembuatan
kumpulan data agar dapat mengatur dan selanjutnya melatihmodel bahasa yang
sesuai. Kumpulan data ini dapat dikompilasi berdasarkan strukturatau data tidak
terstruktur. Para siswa di laboratorium dunia nyata terutama dihasilkan
Tabel 1 Area kompetensi siswa dalam konteks HRL
Kompetensi Bidang
Metodis
• Pembelajaran mesin (pembelajaran dengan pengawasan)
• Manajemen akuisisi data
• Manajemen dialog

Teknis
• Pengetahuan tentang cara kerja sistem dialog digital (chatbots)
• Pengetahuan prosedural praktis mengenai strategi pemodelan
• Perspektif sistemik tentang AI

Pribadi
• Pengembangan sikap ingin tahu terhadap aplikasi AI
• Kesadaran diri dari berurusan dengan AI
• Transfer ide berorientasi praktik ke aplikasi digital

data tidak terstruktur, yang kemudian mereka tempatkan dalam hubungan jika-maka
untuk memungkinkan kejelasanurutan maksud (input) dan dialog (respon). Proses
penataan data inidiperlukan karena program chatbot tidak memiliki informasi latar
belakang sederhana yangpengguna manusia secara alami membawa komunikasi apa
pun. Misalnya, pengguna tahu bahwaorang saling menyapa saat pertama kali
bertemu dan baru kemudian berinteraksi secara lebih mendalam,tetapi chatbot
pertama-tama harus diajari konvensi berbasis sosial-budaya ini melaluiurutan
maksud dan dialog yang sesuai. Tantangan bagi siswa adalah menjadimenyadari hal-
hal yang terbukti dengan sendirinya seperti ini dan kemudian menyiapkan data
sedemikian rupayang memungkinkan interaksi bermakna yang berhasil untuk tujuan
tertentu. Keduabidang kompetensi menyangkut kinerja chatbot yang memuaskan.
Untuk setiap kasusmempelajari bahwa chatbot diharapkan untuk menguasai melalui
interaksi yang tepat, AIjuga harus dapat mengidentifikasi tujuan masing-masing
pengguna dan mencocokkannya denganproses yang sesuai dari tindakanberorientasi
solusi. Ini adalah satu-satunya cara agarinteraksi pada akhirnya dapat mengarah
pada hasil yang benar-benar berguna bagi pengguna.Oleh karena itu, siswa pertama-
tama mengembangkan algoritma, yaitu aturan yang menentukan bagaimanatujuan
tertentu dapat dicapai secara bertahap. Dalam AI, algoritma adalah aturan untuk
menyelesaikan (matematika) masalah yang telah diterjemahkan ke dalam bahasa
pemrograman. Itupeserta di laboratorium dunia nyata melakukan wawancara ahli
untuk menjadi lebih baikmemahami proses yang diharapkan didukung oleh chatbot,
tetapi juga untuk menghasilkankumpulan data yang sesuai untuk model bahasa yang
disesuaikan dengan proses ini. Di dalamcara, tim siswa dapat memperoleh
pengalaman awal dalam analisis proses danpemodelan model bahasa—dua
kompetensi utama untuk penggunaan AI yang percaya diri.Dengan berpartisipasi
dalam HRL, siswa dapat mengetahui apakah apekerjaan di bidang pengembangan
chatbot (atau lebih umum bekerja dengan AIaplikasi) akan cocok untuk mereka
secara pribadi, dan apakah setelah menyelesaikan chatbot merekaproyek mereka
ingin terus berkembang secara profesional ke arahpembelajaran mesin, desain
interaksi pengguna, atau desain pengalaman pengguna percakapan.Pada saat yang
sama, mitra praktik dapat merekam pembelajaran mereka sendiriterima kasih atas
pekerjaan mereka di proyek chatbot. Pendekatan transdisipliner darilaboratorium
dunia nyata telah berkontribusi pada (a) budaya kreativitas dan inovasi,merangsang
pertukaran pengetahuan antara pengajaran pendidikan tinggi danpraktik bisnis; (b)
pemahaman yang lebih baik di antara mitra praktik chatbot

HumanRoboLab: Eksperimen dengan Chatbots dalam Pendidikan Manajemen di

Universitas 11teknologi dan perolehan pengetahuan transformasional untuk
bidangnya; dan C)kesempatan bagi semua orang yang terlibat untuk
mengumpulkanpengalaman praktis secara kolaboratifkelincahan.

5 Apa Selanjutnya untuk Laboratorium Chatbot?

Lihat literatur dan kunjungan ke platform terkait di Internet
menunjukkan bahwa chatbots mengalami pertumbuhan eksplosif di sektor
pendidikan tinggi,meskipun banyak contoh memberi kesan bahwa teknologi itu
kebanyakan digunakan untukberurusan dengan dialog yang sangat sederhana dan
tugas berbasis aturan. Chatbots yang biasa ditemuidalam pendidikan tinggi
digunakan untuk membantu siswa menangani tugas-tugas dengan aturan yang telah
ditentukan,seperti dalam matematika atau belajar bahasa baru. Untuk pemerolehan
bahasa, chatbots digunakan sebagai mitra dialog untuk mempraktikkan skenario
percakapan atau menambah kosakata. Karya Bao (2019) memberikan wawasan
tentang area inimengenai pengurangan rasa takut terhadap bahasa asing melalui
interaksi chatbot. Ada juga chatbot di perguruan tinggi yang memberikan dukungan
administratiftugas. Contoh ini dapat ditemukan dalam studi oleh Galko et al. (2018),
di manaproses pendaftaran untuk siswa telah sepenuhnya dialihkan ke dialog
dengan aobrolanNamun jenis chatbot ini melibatkan aplikasi yang telah ditentukan
sebelumnya, dan tidak dapatdikonfigurasi oleh pengguna untuk proses pembelajaran
individu mereka. Untuk pendidikan tinggi,oleh karena itu, kasus penggunaan
sederhana ini adalah langkah pertama, tetapi masih jauh dari memaksimalkan
potensi AI. Jalan panjang menuju dukungan (proses/pembelajaran) yang sukses
oleh sistem chatbot harus berkontribusi pada pembelajar untuk dapat lebih
merefleksikanproses belajar sendiri dan memperdalamnya secara mandiri. Kami
percaya bahwa tidakseseorang dapat memecahkan masalah ini lebih baik daripada
siswa dan siswa itu sendiri. Apayang mereka butuhkan untuk ini, bagaimanapun,
adalah pengetahuan dan keterampilan untuk mengembangkan chatbot seperti itu
sebagai pendamping belajar agar dapat secara mandiri menentukan tujuan belajar
yang manaharus dicapai dan melalui rute mana. Asumsi dan harapannya adalah,
dalam hal inicara, potensi AI chatbots akan dapat berkontribusi pada pengembangan
pembelajaran yang lebih besar dan pemahaman di antara orang-orang dan mesin
sama.