Generator Prompt Modul PJJ
Alat Bantu Desain Instruksional Berbasis OBE
Informasi Mata Kuliah
Capaian Pembelajaran
Setiap CPMK dapat diturunkan menjadi beberapa Sub-CPMK (Target per pertemuan).
Daftar Referensi & Dokumen
Masukkan sumber pustaka utama yang digunakan pada mata kuliah ini.
Masukkan link panduan pengembangan modul (LAMDIK, LAM Teknik, Permendikbud) agar AI mempertimbangkannya.
Hasil Prompt AI
Klik tombol Generate Prompt AI di sebelah kiri, lalu salin teks di bawah ini ke ChatGPT, Gemini, atau Claude.
1. Pendidikan Jarak Jauh
Pendidikan Jarak Jauh menggeser paradigma pendidikan dari sekadar transfer pengetahuan pasif menuju kemandirian belajar sepenuhnya (heutagogy). Dalam ruang digital, peran dosen bertransformasi; bukan lagi sebagai satu-satunya otoritas sumber kebenaran, melainkan sebagai arsitek ekosistem belajar yang menstimulasi pemikiran tingkat tinggi. Alat ini lahir dari kesadaran ontologis bahwa disrupsi Generative AI tidak boleh dibiarkan menggerus kedalaman akademik melalui praktik fabrikasi instan. Sebaliknya, AI harus didudukkan secara etis sebagai mitra kognitif (cognitive sparring partner). Melalui pendekatan Human-in-the-Loop (HITL), generator ini menolak otomatisasi buta. Ia menuntut dosen untuk tetap hadir—memberikan jiwa, pengalaman empiris, dan validasi pedagogis pada setiap luaran mesin. Pada akhirnya, filosofi dasar dari alat ini adalah menjaga maruah esensi pembelajaran (transformative learning), di mana teknologi sehebat apa pun hanya bertindak sebagai fasilitator pemantik kesadaran kritis mahasiswa.
2. Outcome-Based Education (OBE)
PJJ memiliki fondasi Outcome-Based Education (OBE) dan prinsip penyelarasan konstruktif (constructive alignment). Generator ini tidak mendesain materi secara acak, melainkan merajut garis lurus mulai dari Capaian Pembelajaran Lulusan (CPL), memecahnya menjadi CPMK, hingga merumuskan instrumen evaluasinya. Secara kognitif, alat ini dirancang mutlak untuk memfasilitasi Deep Learning. Hal ini terlihat dari algoritma decluttering yang secara teoritis membuang beban kognitif (extraneous cognitive load) pada materi hafalan, dan menggantinya dengan pemecahan masalah. Selain itu, penggunaan kerangka R-T-F (Role, Task, Format) didasarkan pada teori komunikasi komputasional yang meyakini bahwa Large Language Models (LLM) memerlukan pembatasan konteks (contextual framing) yang sangat spesifik agar terhindar dari halusinasi dan mampu mereplikasi kerangka berpikir akademik yang presisi.
3. Dari Sisi Metodologis
Secara metodologis, Generator Prompt PJJ beroperasi melalui rekayasa instruksional digital yang sistematis. Proses ini mengotomatisasi alur kerja pengembangan bahan ajar PJJ ke dalam empat prosedur prompt engineering yang berurutan:
- Metodologi Pemetaan Makro (Desain Silabus): Mengekstraksi variabel kurikulum (Proporsi Sinkronus/Asinkronus, Strata S2/S3, Model Pembelajaran, CPL, dan referensi standar LAM) untuk diolah oleh AI menjadi blueprint Rencana Pembelajaran Semester (RPS) 16 pertemuan yang terstruktur.
- Metodologi Ekspansi Mikro (Pengembangan Naskah): Mengisolasi satu target pertemuan spesifik dari blueprint tersebut untuk diekspansi menjadi modul self-instructional. Metodenya mencakup penulisan apersepsi, injeksi studi kasus lanjutan, dan perumusan rubrik analitik secara presisi.
- Metodologi Reduksi (Pemangkasan Teks): Menggunakan rekayasa prompt untuk bertindak sebagai editor kritis. Metodologi ini menyeleksi draf materi konvensional (S1), menyaring definisi literal, dan merombaknya menjadi skenario masalah kompleks (trigger problem) yang “menggantung” untuk dipecahkan mahasiswa.
- Metodologi Integrasi Evaluasi (Sistem CSCL & Proctoring): Mendesain instrumen penilaian bukan berbasis ujian pilihan ganda, melainkan membangkitkan Computer-Supported Collaborative Learning (CSCL) di dalam LMS (seperti anotasi kolaboratif atau debat asinkronus). Metodologinya mencakup injeksi syarat keamanan (self-proctoring via video lokal) dan pembatasan metrik jejak digital sebagai bukti autentik pemenuhan standar akreditasi.
Generator Prompt Detail Modul (Tahap 2)
Pengembangan Naskah Konten Per-Kegiatan (1-16)
1 Dokumen Garis Besar (RPS)
Masukkan tautan (Google Drive/Docs) hasil dari Generator Tahap 1. AI akan membaca dokumen ini sebagai cetak biru materi.
2 Pilih Target Kegiatan
Pilih kegiatan/pertemuan ke berapa yang ingin didetailkan menjadi naskah modul utuh.
3 Instruksi Tambahan (Opsional)
Tambahkan konteks khusus untuk pertemuan ini (misal: penekanan pada studi kasus tertentu, durasi video, dll).
Prompt Siap Eksekusi
Klik tombol Generate Prompt Detail Sekarang di sebelah kiri untuk meracik prompt.
1. Praktik Prompt Intelligence dengan Kerangka RTF
Generator Prompt RTF (Sesi Digital)
Pendekatan Human-in-the-Loop (HITL) untuk Aset PJJ
Kerangka R-T-F
Role – Task – FormatPosisikan AI sebagai pakar apa?
Apa aset spesifik yang ingin Anda produksi?
Bagaimana Anda ingin hasilnya disajikan?
Rambu-Rambu HITL (Wajib)
Pilih pengaman untuk mencegah AI melakukan fabrikasi (halusinasi) dan menyisakan ruang bagi keahlian asli Anda.
Ikrar Human-in-the-Loop
Saya memahami bahwa hasil dari prompt ini HANYA merupakan draf awal. Saya bertanggung jawab penuh untuk memvalidasi substansi, menyunting, dan menambahkan nilai pedagogis sebelum diunggah ke LMS.
Prompt Siap Disalin
Aplikasi ini merupakan Generative AI untuk memproduksi draf naskah modul, skenario studi kasus, atau instrumen asesmen.
- Aktivitas: Teknik penyusunan prompt menggunakan kerangka RTF (Role, Task, Format).
- Fokus Pendekatan: THuman-in-the-Loop (HITL). Praktikkan bagaimana dosen tidak boleh langsung menelan mentah-mentah hasil AI, melainkan harus melakukan validasi pedagogis dan menyaring indikator fabrikasi akademik sebelum memindahkannya ke dalam bentuk HTML atau PDF interaktif di LMS.
2. Praktik Decluttering Materi Berbasis Teks
Generator Prompt Decluttering Materi
Transformasi Teori Dasar menjadi Trigger Kompleks (S2/S3)
Input Draf Mentah
Tempelkan materi yang dirasa terlalu bertele-tele atau penuh dengan definisi dasar (teori level sarjana).
Apa masalah dunia nyata atau konflik konsep yang sebenarnya ingin Anda tunjukkan dari materi ini?
Kriteria Pemangkasan (Decluttering)
Pilih instruksi pembersihan (*filtering*) yang akan diberikan kepada AI untuk merombak teks mentah di atas.
Instruksi Bedah Materi untuk AI
Prompt ini dirancang untuk memaksa AI bertindak sebagai Editor Akademik Kejam yang akan “memotong habis” teks sarjana Anda menjadi pemicu diskusi tingkat lanjut.
Modul pascasarjana sering kali terjebak pada pengulangan teori dasar.
- Aktivitas: Cara menyaring atau melakukan decluttering pada draf materi, membuang informasi yang sekadar “tahu” (level sarjana) dan berfokus pada materi esensial yang memicu pemikiran transformatif dan kemampuan sintesis.
- Target: Mahasiswa S2/S3 langsung dihadapkan pada pemicu masalah kompleks (trigger), bukan sejarah konsep dasar.
3. Pembuatan Asesmen Berbasis Self-Proctoring dan Video Lokal
Generator Prompt Asesmen Video (Self-Proctoring)
Desain Evaluasi Lisan Anti-Plagiasi & Kompatibel LMS PJJ
Kerangka R-T-F (Video Assessment)
Tuliskan masalah atau teori apa yang harus dianalisis mahasiswa dalam video presentasinya.
Protokol Sistem & Orisinalitas
ATURAN MUTLAK LMS PJJ (Terkunci)
Instruksi harus melarang link embed YouTube/Drive. Video WAJIB diunggah lokal (Local Upload) agar sistem analitik/sandbox LMS dapat memproses pemutaran video tanpa terblokir batasan pihak ketiga.
Pilih Syarat Self-Proctoring (Cegah AI/Joki):
Instruksi Desain Asesmen PJJ
Prompt ini akan memerintahkan AI untuk membuat lembar penugasan LMS yang sangat ketat secara teknis dan akademis.
Sebagai pengganti ujian tulis konvensional, PJJ S2/S3 sangat bergantung pada presentasi atau argumen lisan mahasiswa untuk memverifikasi orisinalitas pemikiran.
- Aktivitas: Perancangan penugasan analisis presentasi video mahasiswa.
- Saran Teknis Krusial: Mahasiswa mengunggah atau memproses file video presentasi secara lokal ke dalam sistem/LMS. Sangat disarankan untuk menghindari penggunaan fitur embed (penyematan) dari YouTube dalam instrumen evaluasi presentasi, mengingat sering terjadinya kendala limitasi sandbox atau restriksi teknis pada saat sistem melakukan analisis pemutaran video.
4. Integrasi Computer-Supported Collaborative Learning (CSCL)
Generator Prompt CSCL Tahap 4
Desain Aktivitas Kolaboratif Asinkronus Berbasis LMS
Parameter Kolaborasi (CSCL)
Masukkan isu kontroversial atau studi kasus yang akan dilemparkan ke mahasiswa.
Bukti Jejak Digital (OBE Audit)
Pilih instruksi pengamanan agar partisipasi mahasiswa dapat diukur oleh asesor akreditasi LAM.
Prompt Desain CSCL (LMS)
Prompt ini akan memerintahkan AI untuk membuat skenario aktivitas kolaborasi digital yang lengkap dengan aturan mainnya.
Bahan ajar digital yang baik tidak berdiri sendiri, melainkan memicu interaksi.
- Aktivitas: Mendesain satu segmen di dalam modul yang mengarahkan mahasiswa untuk meninggalkan jejak digital kolaboratif. Misalnya, mendesain instruksi penugasan di mana mahasiswa harus membedah satu artikel jurnal di platform anotasi bersama, atau melakukan debat asinkronus terstruktur di forum LMS sebagai bagian dari Outcome-Based Education (OBE).
Leave a Reply