SUMBARNOW.ID-Penggunaan kecerdasan buatan (AI) dalam aktivitas belajar semakin menjadi bagian dari kehidupan mahasiswa. Namun, sebuah penelitian terbaru menunjukkan bahwa ketergantungan terhadap AI dalam konteks akademik berkaitan dengan tingkat learning burnout atau kejenuhan belajar yang lebih tinggi pada mahasiswa.
Studi berjudul The dark side of AI in education: AI dependency as a mediator linking academic self-efficacy and teacher support to learning burnout among university students tersebut diterbitkan di Frontiers in Psychology pada September 2026.
Penelitian ini mengkaji hubungan antara academic self-efficacy, dukungan dosen, ketergantungan terhadap AI (AI dependency), dan learning burnout pada mahasiswa. Peneliti juga menguji apakah ketergantungan terhadap AI berperan sebagai variabel mediator dalam hubungan tersebut.
Studi Melibatkan 276 Mahasiswa
Penelitian menggunakan pendekatan kuantitatif dengan desain cross-sectional melalui kuesioner daring.
Responden direkrut dari mahasiswa program sarjana yang mengikuti sejumlah mata kuliah di beberapa universitas komprehensif di Chengdu, China. Peneliti menggunakan metode convenience sampling, sehingga sampel penelitian tidak dapat dianggap mewakili seluruh mahasiswa di China maupun mahasiswa di negara lain.
Dari 311 kuesioner yang dikumpulkan, sebanyak 276 respons dinyatakan valid, dengan tingkat respons efektif 88,75 persen.
Kuesioner mengukur sejumlah aspek, termasuk keyakinan mahasiswa terhadap kemampuan akademiknya, dukungan dari dosen, ketergantungan pada AI untuk aktivitas akademik, serta learning burnout.
Dalam penelitian tersebut, learning burnout berkaitan dengan kondisi seperti kelelahan emosional, sikap sinis terhadap kegiatan belajar, dan menurunnya persepsi terhadap efektivitas akademik.
Ketergantungan AI Berkaitan dengan Burnout
Hasil analisis menunjukkan adanya hubungan positif yang signifikan antara ketergantungan terhadap AI dan learning burnout.
Dalam model regresi penelitian, ketergantungan AI memiliki koefisien standar β = 0,451 dengan p < 0,001 terhadap learning burnout. Model tersebut memiliki nilai R² sebesar 0,203.
Artinya, dalam data penelitian ini, mahasiswa dengan tingkat ketergantungan AI yang lebih tinggi juga cenderung menunjukkan tingkat learning burnout yang lebih tinggi.
Namun, temuan tersebut tidak berarti penggunaan AI terbukti menyebabkan mahasiswa mengalami burnout.
Hal ini penting karena penelitian menggunakan desain cross-sectional, yaitu data dikumpulkan pada satu periode. Dengan desain tersebut, peneliti dapat melihat hubungan antarkomponen yang diteliti, tetapi tidak dapat memastikan hubungan sebab-akibat.
Bahkan, peneliti juga mengakui kemungkinan adanya hubungan dua arah. Ketergantungan AI dapat berkaitan dengan burnout, tetapi mahasiswa yang sudah mengalami burnout juga mungkin lebih bergantung pada AI untuk menghadapi tuntutan akademik.
Mahasiswa yang Lebih Percaya Diri Cenderung Lebih Sedikit Bergantung pada AI
Penelitian juga menemukan hubungan negatif antara academic self-efficacy dan ketergantungan terhadap AI.
Koefisien standar hubungan tersebut tercatat β = −0,424 dengan p < 0,001.
Academic self-efficacy dalam konteks ini merujuk pada keyakinan mahasiswa terhadap kemampuannya menyelesaikan tugas dan menghadapi tuntutan akademik.
Dengan demikian, dalam sampel penelitian, mahasiswa dengan tingkat keyakinan terhadap kemampuan akademik yang lebih tinggi cenderung memiliki tingkat ketergantungan AI yang lebih rendah.
Temuan ini tidak berarti bahwa meningkatkan kepercayaan diri secara otomatis akan menghilangkan ketergantungan AI. Penelitian hanya menunjukkan adanya hubungan statistik di antara variabel-variabel tersebut.
Dukungan Dosen Juga Berhubungan dengan Ketergantungan AI
Faktor lain yang diteliti adalah dukungan dosen.
Hasil penelitian menunjukkan bahwa dukungan dosen memiliki hubungan negatif dengan ketergantungan AI, dengan koefisien standar β = −0,217 dan p < 0,001.
Dalam konteks penelitian, dukungan dosen mencakup aspek seperti bimbingan akademik, dukungan emosional, serta umpan balik yang membantu mahasiswa menghadapi tuntutan pembelajaran.
Dengan kata lain, mahasiswa yang melaporkan tingkat dukungan dosen lebih tinggi cenderung menunjukkan tingkat ketergantungan AI yang lebih rendah dalam sampel penelitian tersebut.
AI Dependency Berperan sebagai Mediator
Salah satu bagian penting penelitian adalah analisis mediasi.
Peneliti menggunakan PROCESS Model 4 dengan 5.000 bootstrap samples untuk menguji apakah ketergantungan AI menjadi penghubung statistik antara academic self-efficacy dan dukungan dosen dengan learning burnout.
Hasilnya menunjukkan bahwa ketergantungan AI berperan sebagai mediator dalam kedua hubungan tersebut.
Untuk hubungan antara academic self-efficacy dan learning burnout, efek tidak langsung melalui ketergantungan AI tercatat sebesar −0,045, dengan interval kepercayaan bootstrap 95 persen yang tidak mencakup nol.
Sementara itu, untuk hubungan antara dukungan dosen dan learning burnout, efek tidak langsung melalui ketergantungan AI tercatat sebesar −0,057, dengan interval kepercayaan bootstrap 95 persen yang juga tidak mencakup nol.
Analisis tersebut mendukung model statistik penelitian bahwa academic self-efficacy dan dukungan dosen berkaitan dengan learning burnout melalui hubungan mereka dengan ketergantungan AI.
Namun, istilah mediator dalam penelitian ini harus dipahami sebagai hubungan dalam model statistik, bukan bukti bahwa ketergantungan AI merupakan penyebab langsung burnout.
Masalahnya Bukan Sekadar Seberapa Sering Mahasiswa Menggunakan AI
Temuan penelitian juga memperlihatkan mengapa pembahasan tentang AI dalam pendidikan tidak cukup hanya melihat frekuensi penggunaan.
Penelitian membedakan penggunaan teknologi dengan konsep AI dependency, yaitu ketergantungan terhadap AI dalam aktivitas akademik.
Karena itu, mahasiswa yang sering menggunakan AI belum tentu otomatis mengalami masalah. Yang menjadi perhatian penelitian adalah tingkat ketergantungan terhadap AI dalam proses akademik dan bagaimana variabel tersebut berhubungan dengan kondisi psikologis belajar.
Peneliti juga menemukan adanya perbedaan tingkat ketergantungan AI berdasarkan tahun akademik dan frekuensi penggunaan AI. Namun, penelitian secara eksplisit menyebut bahwa temuan tersebut merupakan perbedaan antarkelompok, bukan bukti bahwa tahun akademik atau frekuensi penggunaan AI memoderasi hubungan antarvariabel.
Ada Batasan yang Perlu Diperhatikan
Penelitian ini memiliki sejumlah keterbatasan.
Pertama, desain cross-sectional membuat penelitian tidak dapat memastikan hubungan sebab-akibat.
Kedua, data diperoleh melalui kuesioner self-report, sehingga seluruh variabel bergantung pada laporan responden mengenai kondisi mereka sendiri.
Ketiga, responden berasal dari mahasiswa program sarjana di beberapa universitas di Chengdu dan direkrut menggunakan convenience sampling. Karena itu, hasil penelitian tidak dapat langsung digeneralisasi kepada seluruh mahasiswa di China, apalagi mahasiswa di Indonesia.
Keterbatasan tersebut membuat temuan penelitian lebih tepat dipahami sebagai bukti adanya hubungan statistik dalam kelompok yang diteliti, bukan kesimpulan universal mengenai dampak AI terhadap seluruh mahasiswa.
AI Tetap Bisa Menjadi Alat Bantu, tetapi Penggunaannya Perlu Tepat
Penelitian ini tidak menyimpulkan bahwa AI harus ditinggalkan dalam pendidikan.
Sebaliknya, peneliti menempatkan AI sebagai bagian dari lingkungan pembelajaran yang perlu digunakan secara tepat. Persoalan yang menjadi perhatian adalah ketika penggunaan AI berkembang menjadi ketergantungan dalam menyelesaikan tuntutan akademik.
Dalam konteks pendidikan, temuan tersebut menunjukkan pentingnya memperhatikan kemampuan belajar mandiri mahasiswa serta dukungan dan umpan balik dari dosen ketika AI digunakan dalam proses pembelajaran.
Dengan demikian, tantangan pendidikan di era AI bukan hanya bagaimana mahasiswa dapat menggunakan teknologi, tetapi juga bagaimana memastikan AI tetap berfungsi sebagai alat pendukung pembelajaran, bukan menggantikan seluruh proses berpikir dan keterlibatan akademik mahasiswa.
Studi ini memberikan salah satu bukti terbaru mengenai hubungan antara ketergantungan AI dan learning burnout. Namun, penelitian lanjutan dengan desain longitudinal dan sampel yang lebih beragam masih diperlukan untuk mengetahui bagaimana hubungan tersebut berkembang dari waktu ke waktu dan apakah terdapat hubungan sebab-akibat. (*)
