1. Humanizing Education

Secara filosofis, rangkaian aplikasi ini dibangun untuk membongkar paradigma lama evaluasi pendidikan—di mana nilai ujian sering kali menjadi “vonis akhir” yang menghakimi siswa. Ekosistem ini menggeser paradigma tersebut menuju Pendidikan yang Memanusiakan (Humanizing Education).

• Keadilan Epistemik (Hak untuk Paham): Keadilan dalam ruang kelas bukan berarti memberikan materi dan perlakuan yang seragam. Aplikasi ini secara filosofis memastikan bahwa siswa yang tertinggal memiliki “hak untuk dibimbing ulang” tanpa stigma gagal, sementara siswa yang cepat memiliki “hak untuk otonomi” tanpa harus menunggu yang lain.
• Harmonisasi Dua Paradigma Besar: Ekosistem ini menjembatani dua kutub filosofis pendidikan nasional secara dinamis. Di satu sisi, ia memfasilitasi ketegasan Outcome-Based Education (OBE) yang menuntut ketercapaian nalar kritis secara terukur. Di sisi lain, ia mengakomodasi kedalaman afektif dari Kurikulum Berbasis Cinta (KMA 450/2024), di mana ketertinggalan siswa disikapi dengan empati dan dialog, bukan dengan sanksi akademik.
• Asesmen sebagai Umpan Balik Siklikal: Fase 1 hingga Fase 4a mengukuhkan filosofi Assessment as Learning. Nilai rendah tidak menghasilkan “ulangan perbaikan dengan soal yang sama”, melainkan memicu perancangan rute belajar baru yang lebih sesuai dengan kondisi kognitif anak.

2. Teknologi Pendidikan dan Desain Instruksional,

Dari sudut pandang keilmuan Teknologi Pendidikan dan Desain Instruksional, aplikasi ini mengoperasionalkan beberapa teori belajar mutakhir secara otomatis di latar belakang (background processing):

• Teori Diagnosis Kognitif (Missing Link): Pada Fase2.html, AI tidak diperintahkan untuk melihat skor akhir, melainkan dibimbing untuk membedah “rantai nalar yang terputus”. Ini didasarkan pada teori pemrosesan informasi; siswa gagal bukan karena tidak mampu, tetapi karena ada satu pijakan konsep fundamental yang belum mereka kuasai.
• Zona Perkembangan Proksimal (ZPD) & Scaffolding: Pada Fase3a.html, jalur untuk kelompok “Perlu Bimbingan” dirancang menggunakan teori ZPD dari Vygotsky. AI diformulasikan untuk membangun scaffolding—bantuan bertahap atau micro-learning yang perlahan-lahan dibongkar ketika siswa mulai mampu berdiri sendiri.
• Heutagogi & Deep Learning: Untuk kelompok “Sangat Baik” di Fase3a.html, teori yang diinjeksi adalah heutagogi (otonomi belajar). Melalui pendekatan Project-Based Learning (PjBL) atau Case-Based Learning (CBL), siswa dipaksa masuk ke dalam ruang Deep Learning di mana mereka harus memecahkan masalah kompleks yang tidak terstruktur (ill-structured problems), atau difasilitasi menjadi tutor sebaya.

3. Tata Laksana Instruksional

Secara metodologis (baik dari segi rekayasa perangkat lunak maupun tata laksana instruksional), aplikasi ini menggunakan arsitektur yang sangat ketat untuk mencegah inakurasi dan menjaga kompatibilitas web.

• Metodologi Data Estafet (Rantai Konteks): Untuk mencegah AI mengalami halusinasi atau memproduksi respons generik, aplikasi ini menggunakan metode estafet. Keluaran dari Fase1 (Data Evaluasi) diproses di Fase2 menjadi Diagnosis. Diagnosis tersebut dimasukkan ke Fase3a untuk menjadi Skenario Intervensi, yang akhirnya dilempar ke Fase4a untuk perakitan akhir. Data yang bersambung ini mengikat ingatan (context window) AI agar tetap fokus pada satu siswa/topik yang sama.
• Prompt Engineering berbasis Role-Task-Format (RTF): Setiap baris kode JavaScript dalam aplikasi ini membungkus instruksi RTF yang rigid.

• Role: Identitas AI dikunci (misal: Pakar OBE atau Pakar Pedagogi Afektif).
• Task: Perintah dipecah menjadi tugas spesifik, termasuk tata laksana manajemen kelas agar guru bisa mengajar dua kelompok berbeda dalam satu waktu.
• Format: Pemaksaan output dalam format Markdown murni yang memisahkan area “Faseal”, “Pengayaan”, dan “Panduan LMS”.

• Enkapsulasi dan Namespace (Ketahanan Web): Dari sisi coding, agar Fase1.html sampai Fase4a.html dapat berjalan di satu halaman platform CMS secara berdampingan tanpa saling mematikan fungsi tombol, diterapkan metodologi isolasi DOM. Seluruh variabel dibungkus dalam Immediately Invoked Function Expression (IIFE) dan setiap elemen memiliki prefix ID unik (misal: Fase-f4-).
• Penutupan Siklus Lintas Berkelanjutan (Closed-Loop Evaluation): Pada Fase4a.html, metodologi disempurnakan dengan kemampuan AI merakit instrumen Post-Test secara custom (pilihan ganda, esai HOTS, dll) beserta kunci jawaban tertutup. Ini memastikan bahwa siklus intervensi memiliki instrumen validasi akhir untuk mengukur efikasi dari scaffolding yang telah diberikan.