Beyond the Dashboard: Ketika Mahasiswa Direduksi Menjadi Data

Di era pembelajaran digital, mahasiswa tidak lagi hanya hadir sebagai individu yang berpikir, bertanya, dan berkembang. Mereka juga hadir sebagai jejak digital. Setiap klik di LMS, durasi menonton video, waktu mengerjakan tugas, jeda membaca materi, hingga pola log-in tengah malam semuanya direkam, dianalisis, dan divisualisasikan. Tanpa disadari, mahasiswa tidak hanya belajar. Mereka menjadi data. Fenomena inilah yang melahirkan konsep Datafied Student: kondisi ketika identitas mahasiswa dalam sistem pendidikan semakin ditentukan oleh representasi data, bukan sepenuhnya oleh pengalaman belajar manusiawi.

🌐 Apa Itu Datafied Student?

Datafied Student adalah kondisi di mana proses belajar mahasiswa diterjemahkan menjadi kumpulan metrik digital yang dapat diukur, dipantau, dan dianalisis melalui sistem learning analytics.

Dalam ekosistem ini, mahasiswa direpresentasikan sebagai:

1. grafik keterlibatan,

2. skor risiko akademik,

3. pola perilaku belajar,

4. prediksi performa,

5. dan indikator aktivitas digital.

Data tidak lagi sekadar alat bantu evaluasi, tetapi mulai membentuk cara universitas memahami siapa mahasiswa itu.

Dari Pembelajar ke Profil Data

Learning analytics awalnya dikembangkan dengan tujuan mulia: membantu mahasiswa belajar lebih baik dan membantu dosen memahami kebutuhan belajar. Namun, seiring meningkatnya kapasitas teknologi, terjadi pergeseran halus namun signifikan.

Mahasiswa mulai dilihat sebagai:

1. low engagement atau high engagement,

2. at-risk student berdasarkan pola klik,

3. productive learner berdasarkan frekuensi unggahan,

4. pasif karena jarang membuka forum.

Identitas akademik mahasiswa tidak lagi dibangun terutama dari dialog dan pemahaman, tetapi dari interpretasi data perilaku.

Mengapa Data Tidak Pernah Netral?

Data sering dianggap objektif. Padahal, data pembelajaran selalu merupakan hasil pilihan desain.

Yang direkam adalah:

1. apa yang mudah diukur, bukan selalu apa yang bermakna.

Akibatnya:

1. berpikir mendalam yang lambat tidak tercatat,

2. refleksi offline tidak terdeteksi,

3. diskusi informal di luar LMS menghilang,

4. kelelahan mental tidak terbaca sebagai data.

Ketika data menjadi lensa utama, maka yang tidak terdata berisiko dianggap tidak ada.

Bagaimana Mahasiswa Menjadi Data?

Proses datafikasi mahasiswa terjadi melalui tiga mekanisme utama:

1. Continuous Tracking

Sistem mencatat aktivitas mahasiswa secara terus-menerus, sering kali tanpa jeda refleksi atau persetujuan sadar.

2. Behavioral Interpretation

Data perilaku diterjemahkan menjadi makna pedagogis: rajin, pasif, berisiko, unggul—tanpa selalu memahami konteks manusiawi di baliknya.

3. Predictive Labeling

Algoritma mulai memprediksi masa depan akademik mahasiswa berdasarkan masa lalu digitalnya, menciptakan label yang dapat memengaruhi perlakuan institusional.

Datafied Student ≠ Inovasi yang Salah

Penting ditegaskan: Datafied Student bukan kritik terhadap penggunaan data, melainkan terhadap penggunaan data tanpa kesadaran etis.

Learning analytics bukan masalah ketika:

1. data digunakan untuk refleksi,

2. mahasiswa diberi agensi atas datanya,

3. dan manusia tetap menjadi pusat keputusan.

Masalah muncul ketika:

1. data menggantikan dialog,

2. prediksi menggantikan kepercayaan,

3. dashboard menggantikan empati.

Batas Tipis antara Personalisasi dan Pengawasan

Teknologi pembelajaran menjanjikan personalisasi. Namun tanpa tata kelola yang jelas, personalisasi dapat bergeser menjadi pengawasan terselubung.

Pertanyaan kuncinya bukan:
 

“Seberapa banyak data yang bisa kita kumpulkan?”

melainkan:
 

“Seberapa jauh data boleh menentukan cara kita memperlakukan mahasiswa?”

Tanpa batas etis, mahasiswa belajar di bawah bayang-bayang pengamatan permanen.
 

Implikasi bagi Pendidikan Tinggi

Jika tidak dikelola dengan bijak, datafikasi mahasiswa berpotensi:

1. mengerdilkan identitas akademik,

2. memperkuat bias algoritmik,

3. menekan kebebasan belajar,

4. menciptakan kecemasan performatif.

Namun jika dikelola secara manusiawi, data dapat menjadi:

1. alat refleksi bersama,

2. dasar dukungan belajar yang kontekstual,

3. sarana penguatan regulasi diri mahasiswa.

Menuju Tata Kelola Data Pembelajaran yang Manusiawi

Pendekatan Datafied Student mendorong universitas untuk mengembangkan kebijakan yang tidak hanya canggih secara teknologi, tetapi matang secara etika.

Langkah strategis meliputi:

1. transparansi penggunaan data kepada mahasiswa,

2. hak mahasiswa untuk memahami dan mengoreksi datanya,

3. pembatasan interpretasi otomatis tanpa konteks,

4. pelibatan dosen dan mahasiswa dalam keputusan berbasis data,

5. integrasi data dengan dialog, bukan pengganti dialog.

Irisan dengan Kajian Akademik

Konsep Datafied Student beririsan dengan:

1. Learning Analytics Ethics,

2. Surveillance Studies,

3. Algorithmic Governance,

4. Digital Identity,

5. Critical Data Studies.

Kajian-kajian ini menegaskan bahwa data pendidikan selalu membawa implikasi kekuasaan.

🔍 Fun Fact

Mahasiswa yang jarang membuka LMS belum tentu tidak belajar—mereka bisa jadi belajar intens di Invisible Classroom yang tidak pernah tercatat.

Manfaat Pendekatan Datafied Student
 

Untuk Mahasiswa
✔ Kesadaran hak atas data diri
✔ Perlindungan dari pelabelan sempit
✔ Penguatan agensi belajar

Untuk Dosen
✔ Interpretasi data yang lebih bijak
✔ Kombinasi data dan observasi manusia
✔ Pembelajaran lebih adil dan kontekstual

Untuk Universitas
✔ Kebijakan learning analytics beretika
✔ Kepercayaan sivitas akademika
✔ Inovasi teknologi yang berkelanjutan

Kesimpulan

Di era pembelajaran digital, mahasiswa tidak bisa menghindari menjadi data. Namun universitas masih memiliki pilihan: menjadikan data sebagai alat pendukung kemanusiaan, atau membiarkannya mereduksi mahasiswa menjadi sekadar grafik dan skor. Beyond the Dashboard adalah ajakan untuk melihat kembali manusia di balik angka. Karena pendidikan yang bermakna bukan hanya tentang apa yang bisa diukur, tetapi tentang apa yang layak dihargai—meski tidak pernah muncul di dashboard mana pun.