Pengembangan Ekosistem Prompt Generator Modular Berbasis Scaffolding “Read-to-Write” untuk Mitigasi Halusinasi dan Peningkatan Sintesis Akademik
Henry Praherdhiono
henry.praherdhiono.fip@um.ac.id
Universitas Negeri Malang
PENDAHULUAN
Adopsi kecerdasan buatan generatif dan model bahasa besar (LLM) seperti ChatGPT mengalami lonjakan signifikan di lingkungan pendidikan tinggi sebagai instrumen utama dalam penulisan akademik (Lendvai, 2025; Qian, 2025). Alat-alat ini dimanfaatkan oleh peneliti dan mahasiswa untuk memfasilitasi penyusunan naskah, yang mengubah metodologi publikasi ilmiah secara fundamental. Pada konteks institusi lokal, implementasi perangkat ChatGPT dan Quillbot telah diintegrasikan dalam pelatihan untuk mempercepat produksi artikel ilmiah serta meningkatkan literasi akademik (Febriani et al., 2023; Syaharuddin et al., 2025). Meskipun menawarkan efisiensi, penggunaan LLM memunculkan tantangan etika yang berisiko merusak standar integritas akademik (Ramli, 2023).
Kecenderungan pengguna meminta AI langsung menulis draf melalui instruksi tunggal memunculkan fenomena shallow drafting, di mana tahapan krusial membaca analitis sumber primer sepenuhnya dilewati (Anh-Hoang et al., 2025). Pemotongan proses kognitif ini memicu kelemahan teknis fatal berupa halusinasi sitasi, yaitu ketika model merekayasa referensi fiktif atau menyematkan klaim empiris yang tidak eksis (Zhao et al., 2026). Evaluasi lintas disiplin membuktikan bahwa keandalan LLM dalam menghasilkan rujukan yang valid untuk penulisan ilmiah masih sangat rentan (Mugaanyi et al., 2024). Akibatnya, teks yang dihasilkan tanpa landasan ekstraksi dokumen akan kehilangan akurasi faktual (Kazlaris et al., 2025).
Penggunaan AI yang bersifat pasif memicu degradasi keterlibatan kognitif melalui fenomena cognitive offloading, di mana penulis mengalihkan beban pemrosesan informasi sepenuhnya kepada mesin (Iqbal et al., 2025). Ketiadaan kolaborasi aktif antara manusia dan AI secara langsung menghambat perkembangan kapasitas berpikir kritis mahasiswa dalam membedah literatur (Nasr et al., 2025). Pengambilalihan proses penalaran tersebut menciptakan kesenjangan metakognitif yang mereduksi kedalaman argumentasi analitis penulis (Stofiana et al., 2025). Untuk memitigasi degradasi ini, integrasi kerangka reading-to-write sangat krusial guna memaksa mahasiswa menyintesis makna secara mandiri sebelum mendelegasikan draf kepada kecerdasan buatan (Triananda, 2025; Yoo, 2025).
Sebagian besar pengembangan asisten penulisan berbasis kecerdasan buatan saat ini masih berfokus pada fungsi otomatisasi tingkat permukaan, seperti parafrase dan generasi teks secara langsung. Pendekatan ini sering kali mengabaikan agensi intelektual penulis, sehingga menempatkan pengguna sekadar sebagai penyunting draf kasar yang dihasilkan mesin (Reza et al., 2025). Penggunaan alat bantu seperti ChatGPT dan Quillbot secara luas di lingkungan akademik cenderung difokuskan pada efisiensi penyelesaian artikel daripada pengembangan proses kognitif secara utuh (Febriani et al., 2023). Kesenjangan krusial terlihat pada minimnya rancangan sistem kolaborasi manusia-AI yang mampu memberikan perancah (scaffolding) bervariasi pada tahap pra-penulisan (Dhillon et al., 2024). Padahal, pemeliharaan agensi pembelajar sangat esensial agar interaksi dengan AI generatif tidak berujung pada deteriorasi kapasitas penalaran akademik (Kim et al., 2026).
Di sisi lain, ekosistem penulisan AI belum mampu mengorkestrasi tahapan kognitif kompleks yang menghubungkan proses membaca analitis dengan sintesis multidokumen. Padahal, integrasi antara pemahaman literatur dan produksi teks merupakan landasan utama dalam penyelesaian tugas sintesis akademik (Vandermeulen et al., 2023). Praktik penulisan berbantuan mesin saat ini memunculkan kesenjangan metakognitif yang lebar, di mana AI beroperasi tanpa dilandasi oleh kerangka analisis argumentasi yang solid seperti model Toulmin, sehingga membatasi kualitas retorika tulisan (Stofiana et al., 2025). Pengembangan keterampilan menulis sintesis yang sesungguhnya harus berakar pada instruksi membaca yang sistematis dan mendalam (Nikbakht & Miller, 2023). Oleh karena itu, terdapat urgensi untuk merancang sebuah sistem prompt berjenjang yang mereplikasi koneksi membaca-menulis secara terstruktur demi memastikan luaran teks merupakan hasil sintesis literatur yang kritis (Yoo, 2025).
Untuk mengatasi kompleksitas integrasi pemahaman teks dan produksi tulisan, penelitian ini menawarkan arsitektur generator prompt modular yang terdiri atas The Reading Engine, The Syntopical Engine, dan The Drafting Engine. Pembagian tiga sub-modul ini secara spesifik dirancang untuk mengurai beban fungsi eksekutif dan kognitif pengguna saat memproses beberapa literatur sekaligus (Tarchi, Ruffini, & Pecini, 2021). Pendekatan ini menjembatani kesenjangan instruksional antara membaca analitis dan menulis melalui pemberian perancah (scaffolding) yang berjenjang (Dhillon et al., 2024; Vandermeulen, Van Steendam, & Rijlaarsdam, 2023). Dengan memisahkan fase dekonstruksi bacaan dari tahap perakitan sintesis multidokumen, pengguna secara aktif dilibatkan dalam pemrosesan informasi yang lebih esensial (Triananda, 2025). Pemisahan tahapan kognitif ini memastikan strategi reading-to-write dapat berjalan sistematis guna menghasilkan luaran akademik yang kritis dan matang (Yoo, 2025).
Kebaruan utama dari sistem ini juga terletak pada penerapan paradigma grounded prompting yang diperkuat dengan strict guardrails guna menekan fabrikasi informasi secara mutlak. Mengingat tingginya risiko halusinasi model bahasa besar dalam menciptakan sitasi fiktif maupun klaim empiris yang tidak valid (Zhao et al., 2026), sistem ini mengunci ruang respons AI agar bekerja secara eksklusif menggunakan data primer yang telah diekstraksi. Strategi mitigasi ini mengimplementasikan pembatasan arsitektural yang terbukti krusial dalam mencegah penyimpangan faktual teks hasil generasi mesin (Kazlaris et al., 2025). Melalui batasan parameter instruksi yang ketat, AI diposisikan murni sebagai penyelaras argumen dan penenun bahasa, bukan pencipta fakta (Anh-Hoang, Tran, & Nguyen, 2025). Mekanisme ini menjamin tercapainya target zero-hallucination, sehingga integritas referensial dan akurasi keilmuan dari draf akhir tetap terproteksi secara maksimal (Mugaanyi et al., 2024).
Pendekatan membaca analitis dan sintopikal merupakan fondasi esensial dalam membedah serta menyintesis literatur akademik. Penguasaan keterampilan membaca kritis memungkinkan pembaca mengekstraksi informasi secara komprehensif dan objektif dari berbagai teks sumber (Alfalah & Razak, 2023). Dalam praktiknya, dekonstruksi argumen ilmiah memerlukan instrumen analisis yang presisi, seperti model Toulmin, yang memfasilitasi identifikasi klaim, data, dan jaminan secara terstruktur (Vernanda & Saraswati, 2026). Penerapan model ini tidak hanya menajamkan analisis, tetapi juga mengatasi keterbatasan metakognitif dalam menyusun argumentasi retoris (Stofiana et al., 2025; Qin, 2013). Ketika dihadapkan pada teks ganda, pengaturan fungsi eksekutif menjadi sangat krusial untuk mengelola beban kognitif selama proses integrasi bacaan (Tarchi, Ruffini, & Pecini, 2021).
Teori perancah kognitif (cognitive scaffolding) memainkan peran sentral dalam menjembatani pemahaman membaca kritis menuju produksi tulisan sintesis yang orisinal. Keterampilan menulis sintesis yang efektif menuntut koneksi instruksional yang kuat antara tahap penguraian teks dan konstruksi wacana (Yoo, 2025). Transformasi gagasan dari literatur menjadi draf akademik sangat bergantung pada intervensi pedagogis berjenjang yang memandu penulis merangkai argumen dari berbagai referensi (Nelson & King, 2023; Nikbakht & Miller, 2023). Penerapan strategi reading-to-write ini terbukti signifikan dalam meningkatkan literasi akademik karena pembelajar berinteraksi langsung di titik temu antara membaca dan menulis (Triananda, 2025; Vandermeulen, Van Steendam, & Rijlaarsdam, 2023). Integrasi perancah ini semakin mendesak dalam merancang ruang kolaborasi penulisan adaptif yang melibatkan mesin (Dhillon et al., 2024).
Pemanfaatan model bahasa besar (LLM) dalam penulisan akademik sering kali terkendala oleh memori parametriknya yang rentan terhadap halusinasi, terutama dalam menghasilkan rujukan yang akurat (Mugaanyi et al., 2024). Keterbatasan bawaan ini memicu kemunculan referensi fiktif berskala besar yang mengancam validitas karya ilmiah jika model dibiarkan beroperasi tanpa penguncian konteks (Zhao et al., 2026). Untuk mengatasi tantangan tersebut, diperlukan strategi prompt engineering berbasis grounded generation yang secara eksplisit menginjeksi batasan literatur ke dalam memori kerja sistem. Penerapan instruksi yang memuat batasan ketat (guardrails) terbukti menjadi taksonomi mitigasi paling efektif untuk mengontrol perilaku model, sehingga luaran teks sepenuhnya bergantung pada data yang dipasok (Anh-Hoang, Tran, & Nguyen, 2025; Kazlaris et al., 2025).
METODE
Pengembangan menggunakan model Design and Development Research (DDR) guna merancang ekosistem perancah kognitif yang terstruktur. Pengembangan purwarupa dilakukan secara iteratif untuk memastikan antarmuka selaras dengan kebutuhan agensi pembelajar saat berkolaborasi dengan mesin (Kim et al., 2026). Pendekatan ini memungkinkan evaluasi bertahap pada setiap modul generator prompt sebelum diintegrasikan secara penuh. Siklus pengembangan berfokus pada penyelarasan antara tuntutan penulisan akademik dan intervensi teknologi, memastikan sistem tidak sekadar mengotomatisasi teks, melainkan secara aktif memfasilitasi proses penulisan bersama (Reza et al., 2025). Model pengembangan bahan ajar akademik berbasis teknologi ini relevan untuk menciptakan ekosistem penulisan yang adaptif dan terukur (Madu, 2025).
Arsitektur sistem beroperasi melalui alur kerja read-to-write yang memecah beban kognitif menjadi empat tahapan sekuensial. Proses diawali dengan ekstraksi proposisi dari dokumen masukan (PDF/DOCX), di mana pembaca dituntun untuk mengekstraksi dan memahami argumen fundamental dari teks sumber (Yoo, 2025). Selanjutnya, data proposisi diarahkan ke matriks sintesis antarsumber untuk memfasilitasi transformasi tekstual secara terstruktur (Nelson & King, 2023). Tahap akhir mencakup proses penyusunan draf (drafting) dan verifikasi ground truth. Desain alur kerja ini memberikan tingkatan perancah yang bervariasi dan krusial dalam membentuk kolaborasi manusia-AI, sehingga transformasi ide menuju penyusunan teks tetap berpusat pada pengguna (Dhillon et al., 2024).
Implementasi antarmuka memprioritaskan pemrosesan dokumen secara lokal (client-side) menggunakan pustaka eksternal untuk menjaga keamanan data rujukan dan memitigasi risiko pelanggaran integritas akademik (Ramli, 2023). Pada sisi logika perakitan, sistem mengorkestrasi struktur prompt yang mencakup penetapan peran, rincian tugas, pembatasan konteks yang terisolasi, serta aturan ketat. Strategi perakitan prompt ini secara langsung memengaruhi keandalan model dengan membatasi ruang operasi AI hanya pada parameter sumber yang ditetapkan (Anh-Hoang et al., 2025). Implementasi taksonomi mitigasi ini krusial untuk mencegah ilusi atau halusinasi teks, memastikan bahwa bahasa yang dihasilkan sepenuhnya bersumber dari data lokal yang dimasukkan (Kazlaris et al., 2025).
Evaluasi sistem diukur melalui tiga instrumen pengujian utama yang menyasar presisi teknologi dan kualitas pedagogis. Kriteria pertama menguji kelengkapan dan keandalan sitasi (citation precision) guna memastikan model merujuk pada literatur yang valid tanpa distorsi keilmuan (Mugaanyi et al., 2024). Kriteria kedua mengukur retensi fakta, yang bertugas melacak tingkat halusinasi atas kemunculan klaim fiktif maupun sitasi yang tidak eksis di dunia nyata (Zhao et al., 2026). Kriteria terakhir mengevaluasi kedalaman sintesis dialektis untuk memastikan bahwa teks akhir benar-benar merepresentasikan titik temu kritis di mana aktivitas membaca dan menulis terintegrasi dengan baik (Vandermeulen et al., 2023).
DESAIN SISTEM & HASIL PENGEMBANGAN
KLIK APLIKASI DI LINK BERIKUT App 1 link
Modul The Reading Engine dirancang untuk mengotomatisasi tahap dekonstruksi bacaan melalui mekanisme ekstraksi yang berakar pada kerangka Toulmin, silogisme, dan pencarian proposisi atomik (Qin, 2013). Pendekatan ini memastikan pengguna mampu mengidentifikasi tesis utama serta premis pendukung dari sebuah artikel secara presisi sebelum tahap penulisan (Vernanda & Saraswati, 2026). Secara teknis, antarmuka modul ini dilengkapi fitur unggah dokumen lokal yang diproses langsung di peramban guna menjaga privasi dan keamanan data. Hasil akhir dari modul ini adalah pembentukan meta-prompt analitis yang menstrukturkan pemahaman teks, sehingga memfasilitasi jembatan kognitif dari keterampilan membaca kritis menuju aktivitas penulisan tingkat lanjut (Alfalah & Razak, 2023).
The Syntopical Engine
Matriks Sintesis & Generator Prompt Komparatif
1 Fokus & Tema Sintesis
Tentukan topik spesifik atau sub-bab yang ingin Anda susun dari berbagai sumber literatur ini.
2 Matriks Literatur (Input Kartu Bacaan)
3 Strategi Penulisan AI
Output Meta-Prompt
Mesin Sintesis siap merakit argumen.
Masukkan minimal 2 referensi.
Modul The Syntopical Engine berfokus pada perancangan matriks literatur dinamis yang mengintegrasikan ekstraksi argumentasi dari dua hingga lima referensi berbeda. Pembatasan jumlah sumber ini secara spesifik ditujukan untuk menjaga kapasitas beban eksekutif dan memori kerja pengguna saat memproses teks ganda (Tarchi, Ruffini, & Pecini, 2021). Sistem ini memfasilitasi tiga strategi sintesis utama: dialektis untuk membongkar kontradiksi antarpenulis, konvergen untuk merumuskan konsensus teoretis, dan analisis celah guna memetakan kekosongan riset. Melalui matriks komparatif ini, sistem menuntun pengguna melakukan sintesis wacana secara sistematis, mengubah informasi yang terfragmentasi menjadi transformasi tekstual yang terpadu secara akademik (Nelson & King, 2023).
The Drafting Engine
Komposer Draf, Revisi & Penyelaras Sitasi
1 Draf Awal (Raw Draft)
Tempelkan draf artikel atau paragraf yang dihasilkan dari Aplikasi 2 (atau tulisan Anda sendiri) yang ingin direvisi, diperhalus, atau disesuaikan formatnya.
2 Ground Truth (Fakta Wajib & Sitasi)
Pastikan AI tidak menghapus referensi penting atau mengubah makna. Masukkan klaim spesifik beserta sitasinya (Misal: “Konsep X meningkat 20% (Suryono, 2025)”).
3 Target Revisi & Gaya Selingkung
Output Meta-Prompt Revisi
Menunggu input draf.
Fungsi ini mengubah tulisan kaku menjadi standar publikasi akademik.
Modul The Drafting & Assembly Engine berfungsi sebagai instrumen penyelaras akhir yang bertumpu pada mekanisme Ground Truth Enforcement. Fitur ini beroperasi dengan cara mengunci sitasi referensial dan klaim primer dari modul sebelumnya agar tidak tereduksi atau terdistorsi oleh mesin selama proses penyuntingan (Mugaanyi et al., 2024). Sistem ini secara agresif menerapkan protokol de-AI-fication dan academic polish untuk mereduksi frasa transisi robotik sekaligus menjamin presisi faktual. Implementasi batasan parametrik yang ketat pada modul ini merupakan strategi mitigasi halusinasi esensial, memastikan bahwa perancah kolaborasi manusia-AI tetap melindungi integritas intelektual tanpa mengorbankan kualitas retorika akademik (Dhillon et al., 2024; Kazlaris et al., 2025).
Tahap analisis evaluatif menyajikan komparasi empiris antara eksekusi prompt tunggal konvensional dengan prompt berjenjang dari sistem tiga tahap. Keluaran prompt konvensional terbukti sering menghasilkan teks yang sangat dangkal, dipenuhi bias retorika klise, dan berisiko tinggi menciptakan rujukan fiktif akibat terputusnya proses metakognitif (Stofiana et al., 2025; Zhao et al., 2026). Sebaliknya, intervensi menggunakan ekosistem grounded three-stage engine secara tajam meminimalisasi tingkat halusinasi karena model bahasa dipaksa beroperasi di dalam ruang konteks referensi yang terisolasi ketat (Anh-Hoang, Tran, & Nguyen, 2025). Hasil komparasi ini membuktikan bahwa orkestrasi instruksi kognitif yang terstruktur berhasil mentransformasi LLM menjadi alat perancah sintesis yang sangat andal dan presisi.
PEMBAHASAN
Pendekatan isolasi konteks (context isolation) menjadi strategi fundamental dalam memitigasi halusinasi model bahasa besar (LLM). Dengan membatasi ruang operasi AI murni pada teks sumber yang diunggah, sistem menciptakan sebuah rujukan sah (bounded truth) yang tidak dapat diabaikan oleh mesin. Strategi instruksi (prompting) semacam ini terbukti secara empiris mampu menekan risiko atribusi keliru atau fabrikasi referensi fiktif yang kerap muncul pada instruksi konvensional (Anh-Hoang, Tran, & Nguyen, 2025; Zhao et al., 2026). Melalui taksonomi mitigasi halusinasi yang restriktif, sistem memaksa AI untuk sekadar menenun informasi tanpa mengarang fakta, sehingga validitas teks akademik tetap terjamin (Kazlaris et al., 2025).
Penerapan sistem ini memberikan dampak pedagogis yang signifikan terhadap regulasi diri penulis melalui pendekatan Human-in-the-Loop. Alih-alih menjadi pengguna pasif yang terdegradasi oleh cognitive offloading, pembelajar tetap memegang kendali intelektual penuh (Iqbal et al., 2025). Desain perancah sistem ini mewajibkan pengguna untuk memverifikasi arah literatur dan memvalidasi klaim secara mandiri sebelum AI mulai menyusun draf (Dhillon et al., 2024). Intervensi kolaboratif yang menuntut partisipasi aktif ini secara langsung mempertahankan agensi pembelajar, sekaligus menstimulasi kapasitas metakognisi dan berpikir kritis mereka saat berinteraksi dengan wacana akademik (Kim, So, & Park, 2026; Nasr et al., 2025).
Penggunaan AI generatif sering kali memicu resistensi dari komite etik terkait potensi pelanggaran integritas akademik dan plagiarisme artifisial. Sistem ini menjawab kekhawatiran tersebut dengan mereposisi LLM secara tegas sebagai perancah dialektika dan mitra editorial, bukan sebagai pengarang bayangan (Ramli, 2023). Dengan menuntut transparansi proses ekstraksi proposisi dan integrasi data, sistem ini menyelaraskan pemanfaatan teknologi dengan pedoman etika publikasi ilmiah (Lendvai, 2025). Keselarasan proses penulisan bersama (co-writing) ini menjamin bahwa orisinalitas gagasan dan tanggung jawab intelektual tetap berada pada penulis manusia, menjadikannya solusi yang etis dan fungsional (Reza et al., 2025).
Meskipun menawarkan proteksi komprehensif terhadap halusinasi faktual, kerangka sistem ini masih memiliki sejumlah batasan teknis. Ketergantungan struktural pada ukuran jendela konteks (token context window) LLM menyebabkan sistem rentan memotong atau kehilangan informasi ketika pengguna mengunggah matriks literatur dalam volume yang terlalu masif (Mugaanyi et al., 2024). Selain itu, sistem sangat bergantung pada kualitas digitalisasi dokumen sumber; modul tidak dapat mengekstraksi teks dari PDF hasil pemindaian (scan) yang tidak memiliki lapisan Optical Character Recognition (OCR), sehingga menuntut strategi pembacaan adaptif tambahan dari pengguna (Ahn, 2026). Variasi keandalan model LLM dalam mematuhi instruksi panjang juga masih memerlukan evaluasi keberlanjutan (Anh-Hoang, Tran, & Nguyen, 2025).
KESIMPULAN
Pembagian arsitektur sistem menjadi tiga modul independen terbukti efektif mentransformasi model bahasa besar menjadi perancah kognitif yang andal untuk penulisan akademik. Pemisahan tahap dekonstruksi bacaan, sintesis komparatif, dan penyelarasan draf memaksa AI beroperasi di bawah batasan instruksi referensial yang sangat ketat. Pendekatan modular berjenjang ini secara langsung mengatasi masalah shallow drafting dan secara mutlak meminimalisasi risiko halusinasi faktual maupun fabrikasi rujukan. Dengan memosisikan manusia sebagai pemegang kendali pada setiap transisi modul, sistem ini menjamin bahwa luaran teks yang dihasilkan memiliki kedalaman analitis, akurasi referensial, dan memenuhi standar integritas publikasi ilmiah.
Pengembangan arsitektur ini ke depan memerlukan integrasi dengan vector store lokal untuk mengimplementasikan sistem Retrieval-Augmented Generation (RAG). Peningkatan infrastruktur ini akan memungkinkan sistem memproses, mengekstrak, dan menyintesis korpus literatur dalam skala masif tanpa terhambat oleh batasan jendela konteks token bawaan LLM. Selain penguatan teknis, pengujian empiris berdesain kuantitatif sangat mendesak untuk dieksekusi. Implementasi uji coba longitudinal pada demografi mahasiswa pascasarjana akan mengukur secara objektif dampak penggunaan sistem modular ini terhadap peningkatan kapasitas metakognisi, kemandirian analisis, serta efisiensi waktu penyusunan naskah dibandingkan dengan metode penulisan berbantuan AI konvensional.
REFERENSI
Daftar Referensi
Ahn, H. (2026). A systematic review of online multimodal reading strategies. Reading Psychology, 1-29.
Alfalah, A., & Razak, A. (2023). Prates keterampilan membaca kritis aspek nonnaratif artikel ilmiah jurnal online. Jurnal Pembelajaran Bahasa Dan Sastra, 2(6), 755-764.
Anh-Hoang, D., Tran, V., & Nguyen, L. M. (2025). Survey and analysis of hallucinations in large language models: attribution to prompting strategies or model behavior. Frontiers in Artificial Intelligence, 8, 1622292.
Dhillon, P. S., Molaei, S., Li, J., Golub, M., Zheng, S., & Robert, L. P. (2024, May). Shaping human-AI collaboration: Varied scaffolding levels in co-writing with language models. In Proceedings of the 2024 CHI conference on human factors in computing systems (pp. 1-18).
Febriani, S., Zakir, S., & Sari, F. (2023). Penggunaan Quillbot dan ChatGPT dalam peningkatan pemahaman penulisan artikel mahasiswa Pascasarjana PAI 2023 di UIN Padang. Idarah Tarbawiyah: Journal of Management in Islamic Education, 4(3), 272-279.
Iqbal, J., Hashmi, Z. F., Asghar, M. Z., & Abid, M. N. (2025). Generative AI tool use enhances academic achievement in sustainable education through shared metacognition and cognitive offloading among preservice teachers. Scientific Reports, 15(1), 16610.
Kazlaris, I., Antoniou, E., Diamantaras, K., & Bratsas, C. (2025). From illusion to insight: A taxonomic survey of hallucination mitigation techniques in LLMs. AI, 6(10), 260.
Kim, S., So, H. J., & Park, K. (2026). Supporting learner agency in collaborative writing with generative AI. British Journal of Educational Technology, 57(4), 984-1008.
Lendvai, G. F. (2025). ChatGPT in academic writing: A scientometric analysis of literature published between 2022 and 2023. Journal of Empirical Research on Human Research Ethics, 20(3), 131-148.
Madu, S. A. (2025). Pengembangan bahan ajar menulis akademik berbasis content and language integrated learning (studi pengembangan mahasiswa prodi ilmu komunikasi). Jurnal Studi Guru dan Pembelajaran, 8(3), 2012-2022.
Mugaanyi, J., Cai, L., Cheng, S., Lu, C., & Huang, J. (2024). Evaluation of large language model performance and reliability for citations and references in scholarly writing: cross-disciplinary study. Journal of Medical Internet Research, 26, e52935.
Nasr, N. R., Tu, C. H., Werner, J., Bauer, T., Yen, C. J., & Sujo-Montes, L. (2025). Exploring the impact of generative AI ChatGPT on critical thinking in higher education: Passive AI-directed use or human–AI supported collaboration? Education Sciences, 15(9), 1198.
Nelson, N., & King, J. R. (2023). Discourse synthesis: Textual transformations in writing from sources. Reading and Writing, 36(4), 769-808.
Nikbakht, E., & Miller, R. T. (2023). The development of ESL students’ synthesis writing through reading instruction. Journal of English for Academic Purposes, 65, 101274.
Qian, Y. (2025). Pedagogical applications of generative AI in higher education: A systematic review of the field. TechTrends, 69(5), 1105-1120.
Qin, J. (2013). Applying Toulmin model in teaching L2 argumentative writing. The Journal of Language Learning and Teaching, 3(2), 21-29.
Ramli, M. (2023). Mengeksplorasi tantangan etika dalam penggunaan Chat GPT sebagai alat bantu penulisan ilmiah: Pendekatan terhadap integritas akademik. TA’DIBAN: Journal of Islamic Education, 4(1), 1-10.
Reza, M., Thomas-Mitchell, J., Dushniku, P., Laundry, N., Williams, J. J., & Kuzminykh, A. (2025). Co-writing with ai, on human terms: Aligning research with user demands across the writing process. Proceedings of the ACM on Human-Computer Interaction, 9(7), 1-37.
Stofiana, T., Sunendar, D., Mulyati, Y., & Sastromiharjo, A. (2025). Writing with AI, thinking with Toulmin: metacognitive gaps and the rhetorical limits of argumentation. Ampersand, 100242.
Syaharuddin, S., Ariani, Z., Ilham, I., Hidayanti, N. F., Mandailina, V., & Mappanyompa, M. (2025). Peningkatan Kemampuan Literasi Akademik melalui Pelatihan Penulisan Artikel Ilmiah Menggunakan ChatGPT dan VOSviewer. Jurnal Kegiatan Pengabdian Mahasiswa (JKPM), 3(1), 43-52.
Tarchi, C., Ruffini, C., & Pecini, C. (2021). The contribution of executive functions when reading multiple texts: a systematic literature review. Frontiers in Psychology, 12, 716463.
Triananda, M. A. (2025). Peran Strategi Reading-To-Write Dalam Meningkatkan Literasi Akademik Mahasiswa Program Studi Pendidikan Bahasa Inggris. Jurnal Pendidikan Bahasa Inggris, 1(1), 35-43.
Vandermeulen, N., Van Steendam, E., & Rijlaarsdam, G. (2023). Introduction to the special issue on synthesis tasks: Where reading and writing meet. Reading and Writing, 36(4), 747-768.
Vernanda, S. G. W., & Saraswati, R. (2026). Theory-Data Integration in Final-Year English Education Research Articles: A Toulmin Model Analysis. Jurnal QOSIM: Jurnal Pendidikan Sosial & Humaniora, 4(5), 1091-1106.
Yoo, J. (2025). Reading‒Writing Connections: A Systematic Review Of Second Language Synthesis Writing. L2 Journal, 17(1).
Zhao, Z., Wang, Y., Stuart, T., De Vaan, M., Ginsparg, P., & Yin, Y. (2026). LLM hallucinations in the wild: Large-scale evidence from non-existent citations. arXiv preprint arXiv:2605.07723.
Leave a Reply