Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Intelijen 89 (2021) 101596

Daftar isi tersedia diScienceDirect

Intelijen

halaman utama jurnal:www.elsevier.com/locate/intell

VSI: Masa Depan Kecerdasan

Menilai kecerdasan tanpa tes kecerdasan. Perspektif masa depan

Marco KochA,*, Nicolas BeckerA, Frank M. SpinathA, Samuel GreifB
ADepartemen Psikologi, Universitas Saarland, Jerman
BDepartemen Ilmu Perilaku & Kognitif, Universitas Luksemburg, Luksemburg

INFO ARTIKEL ABSTRAK

Kata kunci: Kecerdasan adalah salah satu konstruksi psikologis yang paling penting dan memengaruhi banyak keputusan. Tidak mengherankan,
Intelijen sejumlah besar instrumen pengukuran tersedia. Namun, pengembangan konseptual yang berkaitan dengan kecerdasan telah stagnan
Pengujian berbasis komputer
selama bertahun-tahun meskipun tren teknologi baru-baru ini memungkinkan pendekatan baru untuk menilai kecerdasan manusia.
Kecerdasan buatan
Salah satu pendekatan tersebut adalah mengembangkan tes kecerdasan dalam skenario realitas virtual, memungkinkan peneliti
Antarmuka otak-komputer
mengamati bagaimana orang berinteraksi dengan masalah untuk menyelesaikannya. Selanjutnya, kecerdasan buatan dan pembelajaran
mesin dapat digunakan untuk mendapatkan lebih banyak wawasan dari data pengujian atau menggunakan data yang muncul dari
kehidupan sehari-hari orang untuk memprediksi kecerdasan. Upaya untuk menilai kecerdasan tanpa tes pada akhirnya juga dapat
mengarah pada pendekatan yang menggunakan variabel fisiologis yang terkait dengan otak untuk membuat prediksi. Artikel ini
mengusulkan beberapa visi perkembangan masa depan yang masuk akal dalam penilaian intelijen selama beberapa dekade mendatang
dan memeriksa potensi masalah yang mungkin timbul dengan metode baru ini.

1. Perkenalan
Pengembangan instrumen berbasis teknologi baru akan
mendiversifikasi penilaian intelijen (Foroughi, Serraino, Parasuraman, &
Boehm-Davis, 2016;Kokkinakis, Cowling, Drachen, & Wade, 2017;Quiroga,
jaringan atau pembelajaran mendalam, yang telah membantu mengotomatiskan tugas-tugas
yang tampaknya hanya mampu dilakukan oleh manusia (misalnya, jaringan saraf telah menjadi
seakurat membaca pindaian x-ray seperti profesional kesehatan;Rajpurkar et al., 2017).
Sejalan dengan perkembangan teknologi ini, banyak juga terobosan ilmiah selama abad yang lalu. Namun, ada sedikit

Diaz, Román, Privado, & Colom, 2019;Quiroga, Román, De La Fuente, perubahan yang mengejutkan dalam hal tes kecerdasan. Meskipun hal ini terutama disebabkan oleh fakta bahwa tes kecerdasan

Privado, & Colom, 2017). Artikel saat ini menyajikan berbagai ide dan kontemporer bekerja dengan baik, bahkan yang mirip dengan yang paling awal, ini bukan alasan untuk berhenti mencari cara untuk

skenario mengenai perkembangan apa yang harus diharapkan dan memperbaikinya. Akibatnya, kami menyajikan di sini tiga tren menyeluruh yang mungkin mengubah cara penilaian kecerdasan di

bagaimana teknologi mutakhir dapat menciptakan revolusi dalam penilaian masa depan. (1) Kami membahas bagaimana teknologi mutakhir dapat berkontribusi untuk meningkatkan pengujian berbasis

intelijen. Pertimbangan ini sangat relevan karena kecerdasan tidak dapat komputer (CBT). Meskipun ini bukan topik yang benar-benar baru, kami berpendapat bahwa pendekatan CBT saat ini seringkali tidak

disangkal merupakan salah satu konstruksi terpenting dalam penelitian lebih dari "tes pena dan kertas terkomputerisasi" yang tidak memanfaatkan potensi penuh CBT. (2) Kami mengeksplorasi

psikologis, berfungsi sebagai prediktor berbagai variabel yang terkait kemungkinan kecerdasan buatan (AI) dari beberapa perspektif. Secara khusus, kami membandingkan pendekatan yang

dengan kinerja manusia di tempat kerja, pendidikan, dan pengaturan sehari- menggunakan AI untuk meningkatkan validitas prediktif tes kecerdasan dan pendekatan yang mungkin membuat tes tersebut

hari.Gottfredson, 1997, 2004;Neisser et al., 1996;Roth et al., 2015;Schmidt & menjadi usang dengan memanfaatkan peningkatan jumlah data yang (publik) tersedia tentang setiap orang. (3) Kami membahas

Pemburu, 1998). Oleh karena itu, penilaian kecerdasan sangat penting untuk bagaimana perangkat yang belum dikembangkan dapat mengarah pada pemahaman yang lebih baik tentang dasar biologis

banyak bidang diagnostik dan penelitian, dan banyak tes kecerdasan telah kecerdasan dan akhirnya cara menilai kecerdasan serupa dengan variabel fisiologis. kami membandingkan pendekatan yang

dikembangkan. Selain itu, kemajuan teknologi berpotensi mendorong menggunakan AI untuk meningkatkan validitas prediktif tes kecerdasan dan pendekatan yang mungkin membuat tes tersebut

peningkatan dan pengembangan metode penilaian intelijen baru di masa menjadi usang dengan memanfaatkan peningkatan jumlah data yang (publik) tersedia tentang setiap orang. (3) Kami membahas

depan. bagaimana perangkat yang belum dikembangkan dapat mengarah pada pemahaman yang lebih baik tentang dasar biologis

Selama beberapa dekade, daya komputasi meningkat hampir dua kali lipat kecerdasan dan akhirnya cara menilai kecerdasan serupa dengan variabel fisiologis. kami membandingkan pendekatan yang

setiap dua tahun, meletakkan dasar bagi banyak kemajuan ilmiah. Smartphone menggunakan AI untuk meningkatkan validitas prediktif tes kecerdasan dan pendekatan yang mungkin membuat tes tersebut

modern beberapa ribu kali lebih cepat daripada komputer tercepat di dunia menjadi usang dengan memanfaatkan peningkatan jumlah data yang (publik) tersedia tentang setiap orang. (3) Kami membahas

beberapa dekade lalu. Selama dua dekade terakhir, tren ini telah dipercepat oleh bagaimana perangkat yang belum dikembangkan dapat mengarah pada pemahaman yang lebih baik tentang dasar biologis

model matematika kompleks yang dikenal sebagai neural kecerdasan dan akhirnya cara menilai kecerdasan serupa dengan variabel fisiologis.

* Penulis koresponden di: Universitas Saarland, Gedung A1 3, 66123 Saarbrücken, Jerman. Alamat
email:marco.koch@uni-saarland.de (M.Koch).

https://doi.org/10.1016/j.intell.2021.101596
Diterima 19 April 2021; Diterima dalam bentuk revisi 7 Oktober 2021; Diterima 7 Oktober 2021
Tersedia online 20 Oktober 2021 0160-2896/© 2021 Elsevier Inc.
Semua hak dilindungi undang-undang.
M. Koch dkk.
Perlu dicatat bahwa penilaian kecerdasan, prediksi dari dan dengan skor
kecerdasan, serta pencarian faktor-faktor yang mendasari kecerdasan dan
perilaku cerdas harus didasarkan pada teori kecerdasan yang kuat. Ini
termasuk teori dan model struktur kecerdasan (McGrew, 2009) serta teori
yang mencoba menjelaskan perbedaan individu, dengan memeriksa proses
yang mendasari kecerdasan. Dengan demikian mereka dapat memberikan
landasan untuk pengembangan penilaian yang lebih canggih. Misalnya teori
LULUS (Perencanaan, Perhatian, Serentak, dan Berturut-turut) (Das, Naglieri,
& Kirby, 1994) mengasumsikan bahwa perilaku cerdas terdiri dari fungsi-
fungsi dasar, sehingga memungkinkan untuk mengembangkan instrumen
penilaian untuk aspek-aspek kecerdasan yang sangat spesifik (mendasari).
Makalah ini menyajikan metode penilaian yang telah atau menjadi mungkin
karena kemajuan teknologi dengan cara bebas teori. Namun, bahkan jika
metode ini pada awalnya tidak didasarkan pada teori yang kuat, data yang
mereka hasilkan dapat digunakan untuk pembuatan hipotesis dari bawah ke
atas dan perumusan teori, yang kemudian dapat diuji dan diuji secara kritis.
2. Pengujian berbasis komputer
CBT adalah salah satu koneksi pertama dan paling luas dikembangkan
antara penelitian intelijen dan teknologi. CBT diakui memiliki banyak
keunggulan dibandingkan tes tradisional, termasuk kemudahan prosedur
penilaian, pelaporan yang disesuaikan, dan ukuran kumpulan pelamar (Tips,
2015). Beberapa penelitian bahkan menemukan bukti berkurangnya bias
terhadap etnis minoritas (Gallagher, Bridgeman, & Cahalan, 2002). Namun,
setelah diperiksa lebih dekat, pendekatan CBT saat ini seringkali tidak lebih
dari tes pena dan kertas terkomputerisasi. Yang kami maksud dengan ini
adalah tes yang awalnya dikembangkan dalam bentuk pena dan kertas dan
kemudian dikomputerisasi di kemudian hari. Satu-satunya perbedaan dalam
versi terkomputerisasi yang dihasilkan biasanya penilaian otomatis dan
peserta memilih opsi dengan mengkliknya alih-alih menandainya dengan
pena. Ini masuk akal sebagai titik awal awal untuk CBT. Sejumlah besar tes
kecerdasan mapan tersedia, dan penting untuk memastikan bahwa tes
tersebut akan berfungsi sama baiknya saat dikelola secara digital. Beberapa
meta-analisis melaporkan bahwa CBT dan format pengambilan tes
tradisional dapat dibandingkan dalam banyak kasus (Mead & Drasgow, 1993
;Wang, Jiao, Muda, Brooks, & Olson, 2007, 2008). Meskipun pendekatan ini
menunjukkan penyederhanaan dibandingkan dengan pengujian tradisional,
peluang untuk mengukur waktu reaksi, memeriksa data proses, atau
memberikan umpan balik online sebagian besar masih belum digunakan
dalam praktiknya. Ini belum tentu merupakan gagasan baru, sepertiBerburu
dan Pellegrino (1985)sudah berpendapat bahwa CBT seharusnya tidak hanya
digunakan untuk meningkatkan kemudahan administrasi tetapi juga untuk
mendapatkan wawasan lebih jauh ke dalam konstruksi yang mendasarinya.
Pendekatan desain sistem kognitif (CSD) mencoba untuk memanipulasi
validitas konstruk tes dengan memvariasikan proses kognitif yang
mendasarinya dan dengan demikian sangat bergantung pada teori
kecerdasan.Abad, Quiroga, & Colom, 2017). Pendekatan ini memungkinkan
untuk menganalisis lebih dekat skor tes dalam hal proses kognitif yang
membuat seseorang kesulitan (misalnya, apakah skor tes yang rendah
disebabkan oleh kapasitas penyimpanan yang terbatas, kegagalan
manajemen tujuan, atau perhatian). Sementara pendekatan CSD tidak
terbatas pada CBT, fleksibilitas presentasi item dan manipulasi yang terakhir
memfasilitasi prosesnya. Meskipun demikian, sepengetahuan kami,
sebagian besar kecerdasan CBT modern hanya memanfaatkan penilaian
otomatis dan presentasi item. Oleh karena itu, kami berpendapat bahwa
penelitian tentang CBT harus beralih dari menguji invarian pengukuran CBT
dan pengujian tradisional untuk menempatkan fokus yang lebih besar pada
bagaimana data tambahan atau berbagai jenis tes kecerdasan dapat
digunakan untuk meningkatkan validitas prediktif. Demikian,
Memproses data seperti file log, waktu reaksi, dan tangkapan layar (mis.
e. merekam gerakan kursor) berisi informasi (kabur) tentang jenis peserta tes
kognisi yang terlibat dan dapat berfungsi sebagai jembatan antara perilaku
pengambilan tes kecerdasan (misalnya, memecahkan item dengan benar)
2
Intelijen 89 (2021) 101596
dan konstruk yang mendasarinya (Goldhammer & Zehner, 2017). Informasi
semacam ini dapat dikumpulkan dengan sedikit usaha di CBT. Dalam konteks
penelitian, berbagai penelitian telah menunjukkan bahwa ini adalah usaha yang
menjanjikan dengan validitas prediktif yang tinggi (Greiff, Wüstenberg, & Avvisati,
2015;Kroner, Plass, & Leutner, 2005). Misalnya,Dodonov dan Dodonova (2012)
menemukan bahwa perubahan waktu respons yang terkait dengan perubahan
kesulitan tugas lebih dapat memprediksi kecerdasan daripada waktu respons
awal. Selain itu, data proses memungkinkan peneliti untuk memeriksa
kemampuan apa yang berkontribusi pada perilaku cerdas (misalnya,Krieger,
Zimmer, Greiff, Spinath, & Becker, 2019) Meskipun demikian, sepengetahuan
kami, semua tes kecerdasan mapan yang digunakan dalam praktik membuat
keputusan terkait peserta tes berdasarkan nilai tes saja. Untuk memperjelas, nilai
ujian tidak akan dan tidak boleh menjadi usang. Namun, skor tes adalah metrik
yang agak sewenang-wenang yang tidak memberikan banyak informasi tentang
proses yang mendasarinya, seperti yang akan terjadi pada pendekatan referensi
kriteria (Abad et al., 2017).Primi (2014)tidak melakukan analisis file log tetapi
mengembangkan tes penalaran cair berdasarkan pendekatan CSD yang
memungkinkan analisis yang lebih tepat tentang proses mana yang bertanggung
jawab atas kinerja tes individu. Menggabungkan pendekatan ini dengan analisis
file log harus memungkinkan peneliti untuk menguji dan memperbarui teori
kecerdasan yang ada sambil juga meningkatkan validitas prediktif tes kecerdasan.
Selain tes kecerdasan klasik, pendekatan yang relatif baru yang baru-baru ini
dieksplorasi adalah penggunaan latar yang lebih naturalistik. Misalnya, video
game adalah pengaturan yang tidak mengganggu yang telah ditemukan untuk
memprediksi kecerdasan umum dengan sangat baik (Lim & Furnham, 2018;
Quiroga et al., 2015) dan diterima dengan baik oleh peserta tes (Buil, Katalan, &
Martínez, 2020). Dalam beberapa tahun terakhir, Quiroga dan rekannya telah
menerbitkan banyak temuan menarik mengenai prediktabilitas kecerdasan
dengan skor video game (Quiroga et al., 2015, 2017, 2019). Misalnya, dalam studi
tahun 2015, mereka menemukan korelasi yang sangat tinggi antara skor video
game komersial dan tes kecerdasan yang ditetapkan (R=0,94; melihatSimons,
Wohlgenannt, Weinmann, dan Fleischer (2021)untuk ulasan penilaian berbasis
game lainnya). Khususnya, studi terbaru menggabungkan penilaian berbasis
game dan analisis file log (Guo et al., 2020). Penulis berhasil memprediksi skor
akhir peserta pada tiga game yang sebelumnya telah terbukti memprediksi
kecerdasan dari file log paruh pertama setiap game. Studi ini dapat dipahami
sebagai primer tentang bagaimana CBT dapat digunakan untuk menilai
kecerdasan di luar format tes tradisional. Secara umum, ini adalah bidang
penelitian yang menjanjikan yang harus dieksplorasi lebih luas di masa depan.
Pada saat yang sama, kemajuan terkini dalam augmented reality dan virtual
reality (AR, VR) memberikan peluang baru untuk menggabungkan keunggulan
CBT tradisional, analisis data proses, dan penggunaan pengaturan naturalistik.
Meskipun kualitas tes kecerdasan psikometrik bagus, mereka telah dikritik karena
terlalu mengandalkan tugas yang dirancang secara sempit (Daniel, 1997) dan
dengan demikian kurang memiliki validitas ekologis. Teknologi AR atau VR
memungkinkan untuk mengembangkan tes kecerdasan yang melibatkan lebih
banyak skenario naturalistik namun tetap memanfaatkan proses kognitif yang
sama. Salah satu subfaktor kecerdasan yang dapat diukur lebih baik dengan
teknologi AR atau VR adalah penalaran spasial. Subfaktor ini biasanya diukur
melalui tugas rotasi mental kertas dan pensil (Ramful, Lowrie, & Logan, 2017).
Dalam tes tradisional, ini mengharuskan peserta untuk menghasilkan representasi
mental dari objek yang akan dimanipulasi dan kemudian berinteraksi dengannya.
Jika objek disajikan secara virtual, kemampuan penalaran spasial dapat diukur
secara lebih langsung. Ini, pada gilirannya, dapat mengarah pada validitas
prediktif yang lebih tinggi dan mungkin pemuatan faktor yang lebih tinggi pada
kecerdasan umum. Alih-alih hanya meminta orang untuk membayangkan
hubungan spasial, akan memungkinkan untuk menganalisis perilaku mereka saat
berinteraksi dengan masalah spasial.
Selain itu, meskipun kami telah menjelaskan analisis file log yang berasal
dari CBT tradisional sebagai pendekatan yang menjanjikan untuk
meningkatkan penilaian kecerdasan, hal ini bahkan lebih berlaku untuk
skenario AR dan VR. Pertama, fiksasi, waktu pemeriksaan, dan urutan
pemeriksaan objek tersedia untuk AR dan VR tanpa memerlukan perangkat
keras tambahan, membuatnya mudah diakses. Kedua, perilaku peserta tes
M. Koch dkk.
lebih transparan (misalnya, apakah peserta melihat objek tertentu atau apakah mereka
memeriksanya dari sudut yang berbeda?), sehingga memungkinkan untuk menganalisis
secara lebih langsung bagaimana solusi dihasilkan. Ketiga, skenario dapat diperkaya
dengan gangguan, seperti skenario dunia nyata. Argumen terakhir ini mungkin lebih
menarik bagi praktisi daripada peneliti karena menambahkan gangguan seperti rekan
kerja atau lampu yang berkedip dapat meningkatkan validitas ekologis tes sambil
mengurangi jumlah varians yang dijelaskan oleh kecerdasan saja dan dengan demikian
mungkin mengurangi validitas internal. Pengembangan tes kecerdasan AR/VR adalah
salah satu skenario masa depan yang masuk akal yang dapat dibayangkan dari banyak
skenario.
Seperti kebanyakan aktivitas, akan ada perbedaan individu dalam
seberapa mahir orang dapat berinteraksi dengan AR/VR, dan
kecerdasan mungkin merupakan prediktor kuat akan hal ini. Misalnya,
interaksi dengan VR mengikuti beberapa aturan. Teknologi saat ini
mengharuskan orang untuk memakai peralatan tertentu untuk
berinteraksi dengan objek virtual, dan kegagalan untuk mengenali
keterbatasan perangkat keras (misalnya mencoba menggunakan
gerakan tangan nyata ketika hanya beberapa gerakan yang mungkin)
akan menghambat keberhasilan seseorang dalam suatu skenario VR.
Demikian pula, gerakan dalam aplikasi VR berbeda dari dunia nyata
dan biasanya diawali dengan fiksasi dan penekanan tombol. Jelas,
karena aplikasi AR dan VR menjadi lebih canggih, beberapa perbedaan
antara dunia nyata dan virtual mungkin akan berkurang. Namun
demikian, meskipun kebenaran VR tumbuh,
Alat VR pertama untuk menilai memori kerja dan perhatian (Akuarium
Nesplora) telah dikembangkan dan diuji (Climent et al., 2019). Alat tersebut
ditemukan memiliki konsistensi internal yang tinggi dan kinerja menurun
seiring bertambahnya usia, seperti yang diharapkan. Sayangnya, penulis
tidak melaporkan ukuran validitas konstruk dan kriteria. Meskipun demikian,
ini adalah contoh dari kemungkinan skenario masa depan yang telah kita
diskusikan dan harus dipahami sebagai dasar yang mendorong untuk
penelitian lebih lanjut. Kita juga harus ingat bahwa teknologi VR agak baru
dan efeknya pada otak manusia (terutama pada anak kecil) belum
didokumentasikan secara memadai. Dalam penelitian pada hewan, aktivitas
otak menurun dalam skenario VR (Aghajan et al., 2015), anak-anak
ditemukan kurang mampu membedakan realitas dan VR (Kadet & Chainay,
2021;Segovia & Bailenson, 2009), dan ada bukti untuk neuroplastisitas yang
diinduksi VR (Deutsch & Westcott McCoy, 2017). Oleh karena itu, banyak
penelitian diperlukan untuk memastikan bahwa otak anak-anak yang
sedang berkembang, khususnya, tidak terpengaruh secara negatif oleh
aplikasi VR.
3. Pembelajaran mesin
Pendekatan yang disajikan, yang dapat digunakan untuk menilai kecerdasan
lebih sering di masa depan, akan berjalan seiring dengan struktur data yang lebih
kompleks yang mengharuskan peneliti menerapkan metode statistik baru. Seperti
halnya kepribadian yang bisa diprediksi dengan cukup baik berdasarkan update
status di media sosial (Tandera, Hendro, Suhartono, Wongso, & Prasetio, 2017),
kami berpendapat bahwa akan mungkin untuk memprediksi kecerdasan dengan
menganalisis perilaku manusia dalam aplikasi VR (misalnya, perbedaan dalam
perilaku pencarian jalur, urutan objek yang diperiksa/dimanipulasi) dengan
algoritme pembelajaran mesin modern.
Bagian dari AI yang dikenal sebagai pembelajaran mesin menjadi semakin penting di
dunia modern. Hal ini didasarkan pada algoritma komputer yang biasanya belajar dari
data berlabel (misalnya, gambar kucing dengan label "kucing") dan fleksibel dalam hal
format masukan (yaitu, masukan data dapat berupa tabel, gambar, video, file audio, dan
lainnya). Daripada menggunakan teknologi modern semata-mata untuk
mengembangkan tes yang lebih baik, kami berpendapat bahwa penelitian di masa depan
juga akan berfokus pada prediksi kecerdasan dari perilaku sehari-hari.
Kecerdasan menjelaskan sebagian besar variasi dalam banyak perilaku (
Gottfredson, 1997, 2004;Neisser et al., 1996;Roth et al., 2015;Schmidt &
Pemburu, 1998). Ini juga berarti bahwa jika algoritme pembelajaran mesin
diberi cukup data, akan lebih mudah untuk memprediksi kecerdasan dengan
tingkat presisi yang tinggi. Sebuah meta-analisis baru-baru ini
3
Intelijen 89 (2021) 101596
menganalisis seberapa baik perbedaan individu dalam berbagai variabel dapat
diprediksi oleh informasi yang dikumpulkan dari media sosial (Settanni, Azucar, &
Marengo, 2018). Penulis studi mengidentifikasi hanya tiga studi yang mencoba
memprediksi kecerdasan, dengan perkiraan korelasi meta-analitikR=0,29 (CI [0,19–
0,38]). Ketiga studi mengandalkan satu kategori informasi. Misalnya,Wei dan
Stillwell (2017)Kecerdasan yang diprediksi hanya menggunakan gambar profil
pengguna media sosial. Dengan demikian, masih harus dilihat seberapa baik
kecerdasan dapat diprediksi jika algoritma pembelajaran mesin menggunakan
semua informasi yang tersedia dalam sampel besar. Namun, seiring dengan
digitalisasi masyarakat, beberapa perusahaan teknologi akan mendapatkan (atau
sudah mendapatkan) akses ke informasi tersebut. Ketika pengguna secara teratur
mencari obat, mesin pencari mendapatkan informasi tentang konstitusi fisik
pengguna. Menelusuri lowongan pekerjaan, informasi pasar saham, berbagai
jenis artikel berita, dan aktivitas rekreasi menginformasikan mesin telusur tentang
status pekerjaan pengguna, situasi keuangan, pendidikan, minat, dan lainnya.
Selanjutnya, di luarApayang dilakukan pengguna di web, perusahaan Teknologi
Besar dapat melacak perilaku di berbagai situs untuk rentang waktu yang lama,
memperoleh informasi tambahan tentangBagaimanapengguna berperilaku dan
yangmereka berinteraksi dengan. Tentu saja, tidak setiap variabel yang diukur
dengan cara ini berhubungan dengan kecerdasan, dan sulit untuk menganalisis
kumpulan data sebesar itu tanpa menemui bias statistik. Namun, di sinilah
pembelajaran mesin unggul. Algoritme pembelajaran mesin dikembangkan untuk
memaksimalkan akurasi prediksi sambil divalidasi silang terhadap kumpulan data
penahan dan dapat memodelkan hubungan kompleks yang terlalu sulit untuk
diterapkan dengan metode statistik tradisional. Memang benar bahwa
pendekatan ini menghasilkan kotak hitam. Namun, fokus artikel ini adalah untuk
menunjukkan bagaimana teknologi modern dapat mengubah penilaian intelijen.
Oleh karena itu kami berpendapat bahwa di masa depan, akan mungkin untuk
menilai kecerdasan tanpa bergantung pada tes kecerdasan yang sebenarnya
seperti yang kita kenal sekarang.
Perkembangan ini tidak diragukan lagi akan memiliki banyak implikasi bagi para peneliti, praktisi, dan peserta tes. Pertama,
penilaian kecerdasan selalu berpusat pada orang yang kecerdasannya diukur dan kerja sama mereka. Dalam penilaian kecerdasan
dengan algoritma pembelajaran mesin, "testee" akan mengambil peran pasif. Jelas, mereka harus diberitahu tentang prosedur dan
persetujuan mereka harus diperoleh. Meskipun demikian, bahkan jika semua privasi data dan masalah etika terpenuhi, masih harus
dilihat bagaimana reaksi "peserta ujian" terhadap prosedur baru tersebut. Jika keputusan harus didasarkan pada prediksi
pembelajaran mesin daripada hasil tes, hal ini dapat menimbulkan perasaan keterputusan antara perilaku peserta ujian dan hasilnya.
Dengan demikian, satu pertanyaan penelitian penting adalah seberapa baik penilaian kecerdasan berbasis pembelajaran mesin
diterima di kumpulan subjek potensial yang berbeda dan apakah penilaian semacam ini dapat memengaruhi validitas konstruk dan
prediktif. Selain itu, harus ditunjukkan bahwa prediksi berbasis pembelajaran mesin tidak menguntungkan subpopulasi tertentu
secara sistematis. Kualitas algoritme pembelajaran mesin sebagian besar didasarkan pada ukuran data pelatihan, yang mungkin
membuat prediksi tentang minoritas menjadi kurang akurat dibandingkan tentang subkelompok dominan. Oleh karena itu, prediksi
pembelajaran mesin harus diperiksa dengan pengawasan yang sama seperti instrumen pengukuran tradisional. harus ditunjukkan
bahwa prediksi berbasis pembelajaran mesin tidak menguntungkan subpopulasi tertentu secara sistematis. Kualitas algoritme
pembelajaran mesin sebagian besar didasarkan pada ukuran data pelatihan, yang mungkin membuat prediksi tentang minoritas
menjadi kurang akurat dibandingkan tentang subkelompok dominan. Oleh karena itu, prediksi pembelajaran mesin harus diperiksa
dengan pengawasan yang sama seperti instrumen pengukuran tradisional. harus ditunjukkan bahwa prediksi berbasis pembelajaran
mesin tidak menguntungkan subpopulasi tertentu secara sistematis. Kualitas algoritme pembelajaran mesin sebagian besar
didasarkan pada ukuran data pelatihan, yang mungkin membuat prediksi tentang minoritas menjadi kurang akurat dibandingkan
tentang subkelompok dominan. Oleh karena itu, prediksi pembelajaran mesin harus diperiksa dengan pengawasan yang sama
seperti instrumen pengukuran tradisional.
Dari perspektif yang murni akademis dan didorong oleh teori, pembelajaran mesin
saja tidak cocok untuk memperdalam pemahaman kita tentang kecerdasan karena tidak
terikat pada teori atau model kecerdasan dan hanya mengoptimalkan persamaan yang
digunakan untuk prediksi. Meskipun demikian, meskipun algoritme pembelajaran mesin
mungkin kurang berguna untuk penelitian yang didorong oleh hipotesis apriori, hasilnya
dapat digunakan untuk mengidentifikasi variabel yang relevan serta interaksi antara
variabel yang mungkin telah diabaikan. Pada langkah kedua, hipotesis apriori untuk
penelitian baru dapat dirumuskan dan diuji dengan metode ilmiah yang sudah mapan.
Ada kepercayaan populer bahwa algoritme pembelajaran mesin seperti jaringan saraf
adalah kotak hitam; namun, mereka tidak sepenuhnya tidak dapat ditembus dan
sebagian besar didasarkan pada kombinasi linear input (Kietzmann, McClure, &
Kriegeskorte, 2019). Menganalisis lapisan dan struktur mereka yang berbeda dapat
memberikan wawasan tentang properti input mana yang digunakan sampai sejauh
mana. Sebagai contoh, diseksi jaringan adalah teknik yang pertama kali mengidentifikasi
input
M. Koch dkk.
informasi yang secara maksimal mengaktifkan unit dalam jaringan saraf dan
kemudian menggunakannya untuk mengekstrak penanda yang relevan (
Zhou, Bau, Oliva, & Torralba, 2019). Demikian pula, model untuk
memprediksi kecerdasan yang diberi aliran data yang tidak dipilih dapat
dibedah untuk mengidentifikasi unit dan kombinasi masukan yang paling
relevan. Dengan demikian, pembelajaran mesin dalam beberapa hal dapat
dipahami sebagai alat reduksi data yang rumit yang memberikan masukan
untuk perumusan dan adaptasi teori. Namun, ketersediaan data merupakan
prasyarat mutlak untuk penggunaan dan keberhasilan algoritma
pembelajaran mesin dalam penilaian kecerdasan. Ini berarti bahwa sampel
yang luas diperlukan untuk melatih model prediktif. Selain itu, sementara
kami berpendapat bahwa data pribadi yang dikumpulkan dari media sosial
dan layanan online lainnya dapat digunakan untuk memprediksi kecerdasan
individu, juga akan ada sejumlah individu yang informasinya tidak dapat
dikumpulkan. Lebih-lebih lagi,
Terlepas dari kekhawatiran ini, algoritme pembelajaran mesin dapat berfungsi
sebagai dasar untuk pemahaman yang lebih dalam tentang faktor apa yang
relevan untuk memprediksi kecerdasan. Selanjutnya, informasi ini dapat
digunakan untuk memperluas dan merevisi teori kecerdasan. Namun, ini hanya
satu skenario yang dapat kita bayangkan di mana penilaian kecerdasan berpaling
dari penggunaan tes.
4. Komputerisasi pikiran manusia
Dari segi sejarah, tes inteligensi dikembangkan karena
ketidakmungkinan mengamati inteligensi secara langsung. Contoh serupa
adalah pengukuran pH. Awalnya, nilai pH suatu zat dinilai melalui
perubahan warna pada indikator pH seperti kertas lakmus, meskipun
penyebab yang mendasari nilai pH adalah konsentrasi ion hidrogen. Dengan
demikian, makalah indikator hanya berfungsi sebagai instrumen
pengukuran proksi yang relatif kasar sampai pengembangan pengukuran
berbasis elektroda. Jika tes inteligensi saat ini seperti kertas lakmus, di masa
depan kemungkinan untuk menilai inteligensi dengan lebih sedikit
kesalahan dengan mengukur aktivitas saraf yang mendasarinya. Ada minat
yang tumbuh dalam upaya ini dalam penelitian intelijen dalam beberapa
dekade terakhir (Haier, 1990).
Brain-computer interfaces (BCIs) adalah perangkat yang memungkinkan
otak berinteraksi dengan komputer tanpa menggunakan saraf atau otot
periferal (Allison, Wolpaw, & Wolpaw, 2007). Penelitian saat ini berfokus
pada penerapan perangkat ini untuk membantu orang yang menderita
gangguan neuromuskuler. Secara tradisional, perangkat fMRI dan EEG telah
digunakan untuk mengukur aktivitas otak, namun masih sulit untuk
mendapatkan informasi yang memiliki resolusi spasial dan temporal yang
tinggi secara bersamaan. Teknik-teknik ini telah menghasilkan wawasan
tentang lokasi otak yang berhubungan dengan perilaku cerdas (Jung &
Haier, 2007), dan terdapat bukti bahwa aktivitas otak saat istirahat pun
dapat memprediksi kecerdasan (Hearne, Mattingly, & Cocchi, 2016;
Santarnecchi et al., 2017). Saat ini, penelitian semacam itu sangat terhambat
oleh keterbatasan teknologi. Karena unit otak dapat diukur dengan resolusi
yang lebih tinggi, daya prediksi setiap unit individu menurun. Hal ini
menyebabkan kurangnya kekuatan statistik dan membuat pencarian basis
kecerdasan saraf menjadi lebih sulit. Selanjutnya, metode statistik
tradisional seperti analisis regresi sangat bias ketika sejumlah besar variabel
prediktor dimasukkan (Lavery, Acharya, Sivo, & Xu, 2019).
Namun, dalam beberapa tahun terakhir, lebih banyak penelitian tentang BCI invasif
telah dilakukan (Allison et al., 2007) yang pada akhirnya akan memungkinkan untuk
mengukur aktivitas otak di setiap pengaturan tanpa batasan perangkat fMRI dan EEG
(mis. pengaturan lab). Selain itu, sementara banyak penelitian dengan BCI fokus pada
variabel hasil yang relatif mudah (misalnya menggerakkan kursor mouse), penelitian
terbaru telah menggunakan algoritme pembelajaran mesin untuk memprediksi keadaan
emosional dari data EEG, mencapai akurasi hingga 97% (Burung, Ekart, Buckingham, &
Faria, 2019), dan untuk mengklasifikasikan gangguan neuropsikologis tertentu (
Vanneste, Lagu, & De Ridder, 2018). Lebih relevan dengan topik artikel ini adalah laporan
olehDryburgh, McKenna, dan Rekik (2020), yang menggunakan data dari 226 peserta
laki-laki untuk memperkirakan hubungan antara MRI fungsional keadaan istirahat dan
4
Intelijen 89 (2021) 101596
intelijen. Mereka melaporkan korelasi sedang dengan kecerdasan skala
penuh (R=0,25) dan korelasi yang besar dengan kecerdasan verbal (R=0,54),
menunjukkan bahwa memang mungkin untuk memprediksi kecerdasan dari
variabel fisiologis.Maglanoc et al. (2020) melaporkan hasil serupa. Dukungan
lebih lanjut datang dari sebuah penelitian yang menemukan hubungan kecil
antara fitur eksentrisitas manifold kortikal dan kecerdasan di kemudian hari
(6-12 bulan;Park et al., 2021). Ini adalah hasil yang menjanjikan, dan kami
berpendapat bahwa karena kemajuan dalam perangkat keras
memungkinkan pengukuran aktivitas otak yang lebih tepat, seharusnya
dimungkinkan untuk memprediksi kecerdasan tanpa perlu bergantung pada
data perilaku eksternal.
Pendekatan ini memiliki banyak implikasi penting bagi para peneliti,
praktisi, dan masyarakat. Terutama, sementara orang mungkin
berasumsi bahwa memprediksi kecerdasan dari aktivitas otak dapat
membuat tes kecerdasan menjadi usang, itu harus dilihat sebagai
alasan untuk mengembangkan alat penilaian yang lebih baik dengan
menggunakan teknologi baru yang telah kita diskusikan. Masalah inti
dalam memprediksi kecerdasan adalah bahwa tidak ada kriteria
tunggal yang dapat diukur dengan cara yang benar-benar bebas dari
kesalahan. Jadi, jika studi menggunakan aktivitas otak untuk
memprediksi skor tes kecerdasan, mereka pada akhirnya mungkin
mencapai akurasi 100% dalam memprediksi skor tes tersebut tetapi
tetap tidak akan mengukur dengan sempurna konstruksi kecerdasan
yang mendasarinya.
Dari sudut pandang etis, harus dicatat bahwa semakin mudah untuk
menilai kecerdasan, semakin sulit untuk merahasiakan informasi ini. Oleh
karena itu, sangat penting bahwa penelitian semacam itu diperlakukan
dengan sangat hati-hati dari sudut pandang etis. Konsekuensinya, peneliti
dan pembuat kebijakan harus ingat bahwa validitas prediktif selalu
didasarkan pada sampel dan tidak berarti bahwa skor individu dapat
diprediksi sepenuhnya. Bahkan jika kecerdasan akan memprediksi
kesuksesan pekerjaan denganR=0,90, masih ada kemungkinan bahwa orang
dengan kecerdasan lebih rendah dapat menangani pekerjaan lebih baik
daripada orang yang lebih cerdas. Tentu saja, ada juga skenario di mana
pengetahuan tentang kecerdasan seseorang harus digunakan. Jika
penelitian di masa depan menunjukkan bahwa aktivitas otak saat istirahat
dapat digunakan untuk memprediksi kecerdasan, kemungkinan untuk
menilai kecerdasan bayi baru lahir dan memberikan intervensi dini dalam
kasus defisit. Sepengetahuan kami, tidak ada bukti pasti mengenai arah
kausal dari hubungan antara aktivitas saraf dan kecerdasan. Jadi, jika
ditemukan defisit pada aktivitas saraf bayi, intervensi dini dapat mencegah
gangguan yang belum muncul.
5. Kesimpulan
Munculnya teknologi modern tidak dapat dicegah. Meskipun demikian,
peneliti harus menyadari perubahan apa yang mungkin terjadi dan apa
implikasinya untuk penilaian kecerdasan. Dalam artikel ini, kami berpendapat
bahwa digitalisasi dapat membantu kami menghasilkan ukuran kecerdasan dalam
waktu dekat yang secara bersamaan kurang abstrak tetapi juga lebih prediktif. Ini
kemudian akan diikuti oleh algoritma pembelajaran mesin yang semakin rumit
yang dapat menilai kecerdasan manusia secara langsung berdasarkan aktivitas
saraf.
Dengan mengingat pendekatan-pendekatan ini, menjadi semakin penting
untuk membedakan antara deskriptif (misalnya, hubungan antara kecerdasan dan
variabel sosiodemografi), prediktif (misalnya, menggunakan kecerdasan untuk
memprediksi kinerja pekerjaan di masa depan), dan penjelasan (misalnya, yang
memproses tanggapan peserta yang mendasarinya) pertanyaan penelitian.
Mottus et al. (2020)menggambarkan ini sehubungan dengan penelitian
kepribadian, tetapi implikasi serupa dapat ditarik untuk penelitian kecerdasan.
Penilaian kecerdasan secara tradisional didominasi oleh penelitian deskriptif dan
prediktif (misalnya, hubungan antara skor tes kecerdasan dan variabel demografis
dan keberhasilan pekerjaan). Metode mutakhir yang dijelaskan dalam artikel ini
mengandalkan data proses dan pengukuran on-line daripada data respons
dikotomis. Artikel ini memiliki
M. Koch dkk.
berfokus pada bagaimana tipe data yang lebih bertele-tele ini dapat
digunakan untuk penilaian kecerdasan (yaitu, masalah prediktif). Namun,
data ini juga dapat dianalisis dengan spektrum metode statistik yang lebih
luas, meletakkan dasar yang kuat untuk penelitian penjelasan. Setelah
mengumpulkan data aktivitas saraf dan perilaku yang cukup halus dari
peserta yang terlibat dalam perilaku cerdas, dimungkinkan untuk
menganalisis penyebab perilaku cerdas dan bagaimana hal itu dapat diukur
dengan ketepatan maksimum dan upaya minimum.
Untuk pengembang tes, gagasan bahwa tes kecerdasan tradisional pada
akhirnya akan menjadi usang tampaknya menakutkan. Namun itu juga
dapat dipahami sebagai peluang untuk menjauh dari prediksi dan
sebaliknya fokus pada pertanyaan yang berkaitan dengan penjelasan dan
intervensi. Selain itu, banyak peluang akan muncul untuk kerja sama
interdisipliner, karena sebagian besar pertanyaan tidak mungkin dijawab
tanpa pengetahuan ahli dari peneliti ilmu saraf, ahli biologi, insinyur
komputer, dan disiplin ilmu lainnya. Merupakan keyakinan kuat kami bahwa
kerja sama interdisipliner yang dikombinasikan dengan teknologi mutakhir
akan memberikan kontribusi penting bagi penilaian intelijen dan
kemungkinan penelitian intelijen secara umum.
Referensi
Abad, FJ, Quiroga, MA, & Colom, R. (2017). Penilaian kecerdasan. Di dalamReferensi
modul dalam ilmu saraf dan psikologi biobehavioral. Elsevier.https://doi.org/
10.1016/B978-0-12-809324-5.05599-1.
Aghajan, ZM, Acharya, L., Moore, JJ, Cushman, JD, Vuong, C., & Mehta, MR
(2015). Gangguan selektivitas spasial dan presesi fase utuh dalam realitas virtual
dua dimensi.Ilmu Saraf Alam, 18(1), 121–128.https://doi.org/10.1038/nn.3884
Allison, BZ, Wolpaw, EW, & Wolpaw, JR (2007). Sistem antarmuka otak-komputer:
Kemajuan dan prospek.Tinjauan Ahli Alat Kesehatan, 4(4), 463–474.https://doi. org/
10.1586/17434440.4.4.463
Bird, JJ, Ekart, A., Buckingham, CD, & Faria, DR (2019). Mental emosional
klasifikasi sentimen dengan antarmuka otak-mesin berbasis EEG. Di dalamProsiding
konferensi internasional tentang pemrosesan gambar dan sinyal digital (DISP'19). Buil, I.,
Catalán, S., & Martínez, E. (2020). Memahami reaksi pelamar terhadap
perekrutan gamified.Jurnal Riset Bisnis, 110, 41–50.https://doi.org/ 10.1016/
j.jbusres.2019.12.041
Kadet, LB, & Chainay, H. (2021). Bagaimana praremaja dan orang dewasa mengingat dan
mengalami realitas virtual: Peran inkarnasi avatar, emosi, dan rasa kehadiran.
Jurnal Internasional Interaksi Anak-Komputer, 29.https://doi.org/ 10.1016/
j.ijcci.2021.100299
Klimen, G., Rodríguez, C., García, T., Areces, D., Mejías, M., Aierbe, A., Moreno, M.,
Cueto, E., Castellá, J., & Feli González, M. (2019). Alat realitas virtual baru (Nesplora
Aquarium) untuk menilai perhatian dan memori kerja pada orang dewasa: Sebuah studi
normatif.Neuropsikologi Terapan. Dewasa, 28(4), 403–415.https://doi.org/10.1080/
23279095.2019.1646745
Daniel, MH (1997). Pengujian intelijen: Status dan tren.Psikolog Amerika, 52
(10), 1038–1045.https://doi.org/10.1037/0003-066X.52.10.1038
Das, JP, Naglieri, JA, & Kirby, JR (1994).Penilaian proses kognitif: LULUS
teori kecerdasan. Allyn & Bacon.
Deutsch, JE, & Westcott McCoy, S. (2017). Realitas virtual dan permainan serius di
neurorehabilitasi anak-anak dan orang dewasa: Pencegahan, plastisitas, dan
partisipasi. Terapi Fisik Anak, 29, S23–S36.https://doi.org/10.1097/
PEP.0000000000000387
Dodonov, YS, & Dodonova, YA (2012). Analisis waktu respons dalam tugas kognitif dengan
meningkatnya kesulitan.Intelijen, 40(5), 379–394.https://doi.org/10.1016/j.
intell.2012.07.002
Dryburgh, E., McKenna, S., & Rekik, I. (2020). Memprediksi skala penuh dan verbal
skor kecerdasan dari data Connectomic fungsional pada individu dengan gangguan
spektrum autisme.Pencitraan dan Perilaku Otak, 14(5), 1769–1778.https://doi.org/ 10.1007/
s11682-019-00111-w
Foroughi, CK, Serraino, C., Parasuraman, R., & Boehm-Davis, DA (2016). Bisakah kita
membuat ukuran kecerdasan cairan menggunakan Puzzle Creator dalam Portal 2?
Intelijen, 56, 58–64.https://doi.org/10.1016/j.intell.2016.02.011
Gallagher, A., Bridgeman, B., & Cahalan, C. (2002). Pengaruh tes berbasis komputer pada
kelompok ras-etnis dan gender.Jurnal Pengukuran Pendidikan, 39(2), 133–
147.https://doi.org/10.1111/j.1745-3984.2002.tb01139.x
Goldhammer, F., & Zehner, F. (2017). Apa yang harus dibuat dan bagaimana menginterpretasikan data proses.
Pengukuran: Penelitian dan Perspektif Interdisipliner, 15(3–4), 128–132.https://
doi.org/10.1080/15366367.2017.1411651
Gottfredson, LS (1997). Mengapa g penting: Kompleksitas kehidupan sehari-hari.Intelijen, 24
(1), 79–132.https://doi.org/10.1016/S0160-2896(97)90014-3
Gottfredson, LS (2004). Kecerdasan: Apakah ini “fundamental” yang sulit dipahami oleh para Epidemiolog
penyebab” ketidaksetaraan kelas sosial dalam kesehatan?Jurnal Psikologi Kepribadian dan
Sosial, 86(1), 174–199.https://doi.org/10.1037/0022-3514.86.1.174 Greiff, S., Wüstenberg, S.,
& Avvisati, F. (2015). Analisis file log yang dihasilkan komputer sebagai
jendela ke dalam pikiran siswa? Sebuah studi showcase berdasarkan PISA 2012
5
Intelijen 89 (2021) 101596
penilaian pemecahan masalah.Komputer & Pendidikan, 91, 92–105.https://doi.org/
10.1016/j.compedu.2015.10.018
Guo, M., Gutiérrez-Sánchez, P., Ortega-Álvarez, A., González-Calero, PA,
Quiroga, MA, & Gómez-Martín, PP (2020). Telemetri dan pembelajaran mesin untuk
mempercepat ukuran kecerdasan melalui video game.CoSECivi, 160–171. Haier, RJ
(1990). Akhir dari penelitian intelijen.Intelijen, 14(4), 371–374.https://
doi.org/10.1016/S0160-2896(05)80010-8
Hearne, LJ, Mattingley, JB, & Cocchi, L. (2016). Jaringan otak fungsional yang berhubungan dengan
perbedaan individu dalam kecerdasan manusia saat istirahat.Laporan Ilmiah, 8.https://doi.
org/10.1038/srep32328
Berburu, E., & Pellegrino, J. (1985). Menggunakan komputasi interaktif untuk memperluas kecerdasan
pengujian: Sebuah kritik dan prospektus.Intelijen, 9(3), 207–236.https://doi.org/
10.1016/0160-2896(85)90025-X
Jung, RE, & Haier, RJ (2007). Teori Integrasi Parieto-Frontal (P-FIT) dari
kecerdasan: Menyatukan bukti neuroimaging.Ilmu Perilaku dan Otak, 135–187.
https://doi.org/10.1017/S0140525X07001185
Kietzmann, TC, McClure, P., & Kriegeskorte, N. (2019). Jaringan saraf dalam di
ilmu saraf komputasi. Di dalamEnsiklopedia penelitian Oxford tentang ilmu saraf.
Pers Universitas Oxford.https://doi.org/10.1093/acrefore/9780190264086.013.46.
Kokkinakis, AV, Cowling, PI, Drachen, A., & Wade, AR (2017). Menjelajahi
hubungan antara keahlian video game dan kecerdasan cairan.PLoS Satu, 12(11).
https://doi.org/10.1371/journal.pone.0186621
Krieger, F., Zimmer, HD, Greiff, S., Spinath, FM, & Becker, N. (2019). Mengapa
matriks figural sulit sulit untuk memecahkan? Peran pengkodean selektif dan
kapasitas memori kerja.Intelijen, 72, 35–48.https://doi.org/10.1016/j.
intell.2018.11.007
Kroner, S., Plass, J., & Leutner, D. (2005). Penilaian kecerdasan dengan komputer
simulasi.Intelijen, 33(4), 347–368.https://doi.org/10.1016/j.
intell.2005.03.002
Lavery, MR, Acharya, P., Sivo, SA, & Xu, L. (2019). Jumlah prediktor dan
multikolinearitas: Apa pengaruhnya terhadap kesalahan dan bias dalam regresi?
Komunikasi dalam Statistik: Simulasi dan Komputasi, 48(1), 27–38.https://doi. org/
10.1080/03610918.2017.1371750
Lim, J., & Furnham, A. (2018). Bisakah game komersial berfungsi sebagai tes kecerdasan? A
studi percontohan.Jurnal Game Komputer, 7(1), 27–37.https://doi.org/10.1007/
s40869-018-0053-z
Maglanoc, LA, Kaufmann, T., van der Meer, D., Marquand, AF, Wolfers, T.,
Jonassen, R.,…Westlye, LT (2020). Pemetaan koneksi otak dari ciri-ciri manusia yang
kompleks dan arsitektur poligeniknya menggunakan pembelajaran mesin.Psikiatri
Biologis, 87(8), 717–726.https://doi.org/10.1016/j.biopsich.2019.10.011 McGrew, KS
(2009). Teori CHC dan proyek kemampuan kognitif manusia: Berdiri
bahu raksasa penelitian kecerdasan psikometri.Intelijen, 37(1), 1–10.https://doi.org/
10.1016/j.intell.2008.08.004
Mead, AD, & Drasgow, F. (1993). Kesetaraan komputerisasi dan kertas-dan-pensil
tes kemampuan kognitif: Sebuah meta-analisis.Buletin Psikologis, 114(3), 449–458.
https://doi.org/10.1037/0033-2909.114.3.449
Mõttus, R., Wood, D., Condon, DM, Kembali, MD, Baumert, A., Costantini, G.,…
Zimmermann, J. (2020). Penelitian kepribadian deskriptif, prediktif, dan penjelasan: Tujuan
yang berbeda, pendekatan yang berbeda, tetapi kebutuhan bersama untuk melampaui
beberapa sifat besar.Jurnal Kepribadian Eropa, 34(6), 1175–1201.https://doi. org/10.1002/
per.2311
Neisser, U., Boodoo, G., Bouchard, TJ, Jr., Boykin, AW, Brody, N., Ceci, SJ,…
Urbina, S. (1996). Kecerdasan: Diketahui dan tidak diketahui.Psikolog Amerika, 51(2),
77–101.https://doi.org/10.1037/0003-066X.51.2.77
Park, B., Bethlehem, RA, Paquola, C., Larivière, S., Rodríguez-Cruces, R., Vos de
Wael, R., & Ilmu Saraf dalam Konsorsium Jaringan Psikiatri (NSPN), Bullmore, E., &
Bernhardt, BC. (2021). Manifold yang berkembang di wilayah transmodal mencirikan
rekonfigurasi remaja dari organisasi penghubung struktural.Elife, 10.https://doi.org/
10.7554/eLife.64694
Primi, R. (2014). Mengembangkan skala kecerdasan cair melalui kombinasi Rasch
pemodelan dan psikologi kognitif.Penilaian Psikologis, 26(3), 774–788. https://
doi.org/10.1037/a0036712
Quiroga, MA, Diaz, A., Román, FJ, Privado, J., & Colom, R. (2019). Kecerdasan dan
video game: Di luar "permainan otak".Intelijen, 75, 85–94.https://doi.org/
10.1016/j.intell.2019.05.001
Quiroga, MA, Escorial, S., Román, FJ, Morillo, D., Jarabo, A., Privado, J.,…
Colom, R. (2015). Bisakah kita secara andal mengukur faktor umum kecerdasan (g)
melalui video game komersial? Ya kita bisa!Intelijen, 53, 1–7.https://doi.org/ 10.1016/
j.intell.2015.08.004
Quiroga, MA, Román, FJ, De La Fuente, J., Privado, J., & Colom, R. (2017). Itu
pengukuran kecerdasan pada abad XXI menggunakan video game.Jurnal
Psikologi Spanyol, 19.https://doi.org/10.1017/sjp.2016.84
Rajpurkar, P., Irvin, J., Zhu, K., Yang, B., Mehta, H., Duan, T., Ding, D., Bagul, A.,
Langlotz, C., Shpanskaya, K., Lungren, MP, & Ng, AY (2017). CheXNet: Deteksi
pneumonia tingkat ahli radiologi pada rontgen dada dengan pembelajaran
mendalam.htt p://arxiv.org/abs/1711.05225.
Ramful, A., Lowrie, T., & Logan, T. (2017). Pengukuran kemampuan spasial: Konstruksi
dan validasi instrumen penalaran spasial siswa SMP. Jurnal Penilaian Psikoedukasi,
35(7), 709–727.https://doi.org/10.1177/ 0734282916659207
Roth, B., Becker, N., Romeyke, S., Schäfer, S., Domnick, F., & Spinath, FM (2015).
Kecerdasan dan nilai sekolah: Sebuah meta-analisis.Intelijen, 53, 118–137.https://
doi.org/10.1016/j.intell.2015.09.002
Santarnecchi, E., Emmendorfer, A., Tadayon, S., Rossi, S., Rossi, A., & Pascual-Leone, A.
(2017). Konektivitas jaringan berkorelasi dengan variabilitas dalam kinerja
kecerdasan fluida.Intelijen, 65, 35–47.https://doi.org/10.1016/j.intell.2017.10.002
M. Koch dkk.
Schmidt, FL, & Hunter, JE (1998). Validitas dan utilitas metode seleksi di
psikologi personel: Implikasi praktis dan teoretis dari 85 tahun temuan penelitian.
Buletin Psikologis, 124(2), 262–274.https://doi.org/10.1037/0033- 2909.124.2.262
Segovia, KY, & Bailenson, JN (2009). Hampir benar: Akuisisi anak-anak palsu
memori dalam realitas virtual.Psikologi Media, 12(4), 371–393.https://doi.org/
10.1080/15213260903287267
Settanni, M., Azucar, D., & Marengo, D. (2018). Memprediksi karakteristik individu
dari jejak digital di media sosial: Sebuah Meta-analisis.Cyberpsikologi, Perilaku dan
Jejaring Sosial, 21(4), 217–228.https://doi.org/10.1089/cyber.2017.0384 Simons, A.,
Wohlgenannt, I., Weinmann, M., & Fleischer, S. (2021). Gamer yang baik, bagus
manajer? Sebuah studi proof-of-concept dengan peradaban Sid Meier.Tinjauan
Ilmu Manajerial, 15(4), 957–990.https://doi.org/10.1007/s11846-020-00378-0
Tandera, T., Hendro, Suhartono, D., Wongso, R., & Prasetio, YL (2017). Kepribadian
sistem prediksi dari pengguna facebook.Ilmu Komputer Procedia, 116, 604–611.
https://doi.org/10.1016/j.procs.2017.10.016
Tippins, NT (2015). Teknologi dan penilaian dalam seleksi.Tinjauan Tahunan dari
Psikologi Organisasi dan Perilaku Organisasi, 2(1), 551–582.https://doi. org/
10.1146/annurev-orgpsych-031413-091317
Intelijen 89 (2021) 101596
Vanneste, S., Lagu, J.-J., & De Ridder, D. (2018). Disritmia talamokortikal terdeteksi
oleh pembelajaran mesin.Komunikasi Alam, 9(1).https://doi.org/10.1038/
s41467-018-02820-0
Wang, S., Jiao, H., Young, MJ, Brooks, T., & Olson, J. (2007). Meta-analisis pengujian
efek mode dalam tes matematika kelas K-12.Pengukuran Pendidikan dan
Psikologis, 20.https://doi.org/10.1177/0013164406288166
Wang, S., Jiao, H., Muda, MJ, Brooks, T., & Olson, J. (2008). Dapat dibandingkan dari
pengujian berbasis komputer dan kertas dan pensil di K-12 Penilaian membaca:
Metaanalisis efek mode pengujian.Pengukuran Pendidikan dan Psikologis, 68(1), 5–
24.https://doi.org/10.1177/0013164407305592
Wei, X., & Stillwell, D. (2017). Seberapa pintar tampilan gambar profil Anda?: Memperkirakan
intelijen dari gambar profil Jejaring sosial. Di dalamProsiding konferensi internasional ACM
kesepuluh tentang pencarian web dan penambangan data(hlm. 33–40).https://doi.org/
10.1145/3018661.3018663
Zhou, B., Bau, D., Oliva, A., & Torralba, A. (2019). Menafsirkan visual yang dalam
representasi melalui diseksi jaringan.Transaksi IEEE pada Analisis Pola dan
Kecerdasan Mesin, 41(9), 2131–2145.https://doi.org/10.1109/
TPAMI.2018.2858759