Kemalasan metakognitif: dampak AI generatif terhadap motivasi belajar

Maaf, tautan yang diberikan tidak berisi isi artikel yang valid. Jika Anda memberikan artikel atau konten lain, saya dapat membantu merangkum dan menerjemahkannya.

[GN⁺]

Komentar Hacker News

• Terasa seperti hal yang sudah jelas. Jika menghabiskan waktu meneliti sendiri alih-alih langsung mendapatkan jawaban atas pertanyaan, kita akan belajar jauh lebih banyak
  Mungkin ada orang yang cukup disiplin untuk tetap melakukan riset lanjutan meski jawabannya sudah langsung diberikan, tetapi kebanyakan tidak begitu, dan perusahaan juga menginginkan solusi yang cepat, “efisien”, dan “kompetitif” daripada menanggung kerugian jangka panjang

  • Ada catatan bahwa di Yunani Kuno, generasi lama juga pernah mengkhawatirkan hal serupa terkait penggunaan tulisan. Dalam tradisi lisan, para cendekiawan harus menghafal segalanya, dan membaca serta menulis dianggap sebagai penopang yang merusak daya ingat anak muda
    Sekarang kita berada di ambang era baru ketika membaca digantikan oleh pencarian dan pengambilan AI, dan kekhawatiran bahwa AI bisa menjadi penopang yang melemahkan generasi muda memang masuk akal. Namun, kita belum tahu bagaimana hasil akhirnya, belum ada tanda bahwa penggunaan AI merusak kinerja bisnis, dan pernyataan yang lebih besar bahwa “AGI akan memicu perubahan sosial besar” tampaknya mungkin benar
  • Kalau logikanya adalah meneliti sendiri membuat orang belajar lebih banyak daripada langsung mendapat jawaban, bukankah kita harus memaksa semua orang mulai dari prinsip pertama?
    Pembelajaran terhubung dengan rasa ingin tahu, dan rasa ingin tahu tidak terhubung dengan tingkat kesulitan riset. Orang yang penasaran akan tetap mengajukan lebih banyak pertanyaan meski diberi jawaban langsung, sedangkan orang yang tidak penasaran akan berhenti di sana. Kita semua berdiri di atas bahu para raksasa, dan itu bukan hal buruk melainkan hal baik. Mungkin ada keuntungan dalam melepaskan para raksasa dan memaksa orang merangkak sendiri sampai setinggi itu, tetapi sebagai cara menyampaikan pengetahuan, menurut saya itu jauh kurang efektif
  • LLM tampaknya akan menjadi teknologi yang sekaligus meningkatkan akses terhadap pengetahuan dan memperlebar kesenjangan pengetahuan. Internet juga begitu
    Tiga puluh tahun lalu, orang berharap bahwa jika semua orang bisa langsung mengakses pengetahuan umat manusia, semua orang akan menjadi lebih pintar, tetapi meski ada Wikipedia, kebanyakan orang justru menggulir video pemancing amarah yang tidak memberi pengetahuan maupun membuat mereka merasa lebih baik. Tentu, ada contoh menakjubkan seperti seseorang di Pakistan yang memelihara plugin vim sambil ngoding dari ponsel, tetapi itu lebih merupakan efek pada segelintir orang yang mendapat kesempatan memanfaatkan alat tersebut, bukan efek rata-rata bagi seluruh umat manusia
    Seorang fisikawan pernah mengatakan dalam wawancara YouTube bahwa kini fisikawan mana pun bisa mengajukan pertanyaan tingkat pascasarjana kepada ChatGPT tentang makalah terbaru dan melintasi pengetahuan antar-subbidang fisika, sehingga membantu riset fisika
  • Fakta bahwa kerugian jangka panjang tidak dipertimbangkan mirip dengan diskusi perekrutan engineer junior pada 2010-an. Perusahaan tidak ingin merekrut dan melatih junior, karena ada risiko besar investasi itu tidak kembali ke perusahaan yang melatih
    Jika engineer senior ditarik dari proyek untuk mengajari junior, lalu junior itu memperoleh kemampuan dan pengalaman kemudian pindah ke perusahaan lain, maka perusahaan menanggung ROI negatif. Pada akhirnya ini adalah tragedi milik bersama, dan sekarang pun mirip, hanya mekanismenya yang berbeda. Mungkin akan ada kekurangan software engineer terampil, tetapi cara industri menempatkan engineer dan memberi mereka pekerjaan begitu boros sehingga tampaknya masih ada ruang untuk menahan kekurangan itu selama beberapa waktu
  • Karena itu saya terutama menggunakan ChatGPT untuk hal yang lebih mirip pertanyaan Sokrates. Seperti, “dalam konteks C saya sudah mencoba A, B, dan C, apakah ada opsi yang terlewat?”, “apakah ada bagian yang kurang efisien dalam rencana ini?”
    Ini lebih untuk menghindari jalan buntu yang mahal daripada mencari jawaban

• Masalah ini punya dua sisi, dan mungkin agak kontroversial. Saat menanyakan topik apa pun ke ChatGPT, biasanya saya justru terdorong mengajukan lebih banyak pertanyaan berdasarkan jawabannya, dan kebanyakan memang pertanyaan bodoh, tetapi dalam proses itu saya merasa menerima dan menganalisis informasi lalu menggali lebih dalam karena rasa ingin tahu
  Dibandingkan riset internet, ada sisi baiknya, tetapi semakin dalam kita menggali, semakin sering kita membaca tulisan yang sudah bercampur opini seseorang. Tulisan itu terasa seperti sudah menentukan pertanyaan mana yang penting, dari sudut mana harus melihatnya, dan apa kesimpulannya. Itu memang edukatif, tetapi tetap menyisakan pertanyaan
  Perbedaannya adalah rasa ingin tahu. Jika seseorang penasaran pada suatu topik, dia akan belajar; jika tidak, dia menerima jawaban dan puas. Itu bukan kemalasan, dan orang tidak mungkin penasaran pada segala hal

  • ChatGPT juga sebenarnya bias. Ia memiliki berbagai posisi politik dan memperlakukan beberapa topik seolah tabu
    Bedanya, kecenderungan politik model ditentukan oleh satu pihak, dan model itu berinteraksi dengan jauh lebih banyak orang daripada satu tulisan opini
  • Menurut saya, kemampuan untuk bertanya tanpa dihakimi adalah bagian dari kekuatan alat seperti ini yang sering diremehkan. Ada orang yang cukup percaya diri secara intelektual untuk mengajukan pertanyaan “bodoh” kepada orang lain, tetapi kebanyakan tidak begitu, terutama di hadapan orang asing
    Rasanya saya tidak pernah sekali pun bertanya di Stack Overflow. Sangat mudah membayangkan bagaimana pertanyaan yang saya khawatirkan akan terlihat bodoh akan diperlakukan di komunitas itu. Tetapi ke model seperti ini, saya bisa melontarkan segala macam pertanyaan bodoh tanpa khawatir, dan itu bagus
  • Informasi yang bisa diberikan ChatGPT pada akhirnya hanyalah apa yang ditemukan dari web dan apa yang dikarang saat itu juga. Misalnya, ia tidak bisa pergi ke perpustakaan untuk membaca sumber yang terlupakan dan tidak dikutip di Wikipedia
    Berdiskusi “dengan rasa ingin tahu” bersama ChatGPT pada akhirnya hanyalah menjelajahi internet melalui filter campuran antara bias kita sendiri dan bias ChatGPT. Mungkin terasa seperti sudah lolos, tetapi kita tetap masih berada di dalam internet. Internet sekarang hanya menjawab pertanyaan dengan kata-kata; tetap saja itu internet
  • Rasanya seperti profesor yang ramah dan tidak pernah lelah

• Sejak OpenAI pertama kali meluncurkan ChatGPT, saya terus mengatakan hal ini. Risiko LLM yang bisa dipakai di mana saja dan tampak seolah punya jawaban untuk pertanyaan apa pun bukan terutama pada keberadaannya, melainkan pada sifatnya yang begitu menggoda
  Godaan untuk langsung meminta jawaban ke LLM terdekat, alih-alih merenungkan masalah sendirian dengan tenang, itulah bahaya yang sebenarnya. Tindakan memanipulasi masalah di dalam kepala, yaitu berpikir kritis, pada akhirnya adalah sebuah keterampilan, dan hanya bisa berkembang lewat latihan yang disengaja dan terukur

  • Saya paham kekhawatiran ini, tetapi dalam penggunaan ChatGPT saya justru merasa ini membantu mengatasi kemalasan, bukan memperburuknya
    Saat ada proyek yang sulit untuk mulai dikerjakan, bertanya ke ChatGPT nyaris tanpa gesekan; tahu-tahu saya sudah mengerjakan proyek itu, dan 8 jam kemudian selesai. Kalau saya tersendat gara-gara instalasi library yang menjengkelkan, ChatGPT membantu menyelesaikannya sehingga saya tidak frustrasi. Dibanding alat apa pun, ini paling membantu saya masuk dan bertahan dalam flow state, serta menjadi cara yang baik untuk menghindari menunda-nunda
  • Merenungkan masalah dengan tenang hanya produktif jika informasi yang tepat sudah ada. Tanpa informasi, paling-paling ada risiko membuang waktu karena menciptakan ulang roda
    Untuk kegunaan ini, LLM adalah jenis alat yang sama seperti Google, yaitu sarana untuk menanyakan, mengambil, dan menyerap informasi. Seperti Google, hasil kueri bukanlah tujuan akhir, melainkan sarana. Seperti pepatah, “menghabiskan sebulan di laboratorium menghemat seminggu di perpustakaan”, bertanya 10 menit ke Claude/ChatGPT/Copilot juga bisa menghemat waktu. Apakah menyewa tutor privat juga bisa disebut kemalasan?
  • LLM sudah mengajarkan kembali sesuatu yang sebenarnya sudah agak kita ketahui dari Hitchhiker's Guide to the Galaxy. Inti pemecahan masalah adalah sejak awal mengajukan pertanyaan yang tepat
    Yang berbahaya bukanlah kemampuan mengambil jawaban dengan cepat. Hal serupa juga pernah dikatakan tentang Google pada 1990-an atau kalkulator genggam pada 1970-an. Bagi saya, LLM hanya mempercepat proses yang toh tetap akan saya lakukan dengan menelusuri internet secara manual, dan untuk berpikir kritis dengan baik kita justru perlu mengajukan lebih banyak pertanyaan
  • Kemalasan fisik tampaknya justru membantu di sini. Bahkan menjelaskan masalah sepenuhnya ke LLM dan membungkus prompt agar keluar teks yang cukup berguna pun terasa merepotkan, jadi saya akhirnya berpikir sendiri terlebih dahulu
    Biasanya saya jadi bisa menyelesaikannya sendiri atau teringat sumber primer yang lebih baik

• Ada preprint di arXiv, dan di bagian atas halaman 18 dijelaskan apa itu kemalasan metakognitif: “Dalam konteks interaksi manusia-AI, kemalasan metakognitif didefinisikan sebagai kecenderungan pelajar bergantung pada bantuan AI, mengeksternalisasi beban metakognitif, dan menghubungkan proses metakognitif yang bertanggung jawab dengan tugas belajar secara kurang efektif”
  Di sini, “beban metakognitif” tampaknya berarti upaya kognitif dan metakognitif yang diperlukan agar pelajar dapat mengatur proses belajarnya secara efektif saat mengerjakan tugas yang menuntut pemantauan diri, perencanaan, dan evaluasi secara aktif
  Makalah ini melihatnya mirip dengan outsourcing kognitif, yaitu ketika alat mengambil alih pekerjaan kognitif yang sulit, sehingga orang kehilangan kesempatan untuk mengembangkan kemampuannya dan menjadi bergantung pada alat tersebut
  https://arxiv.org/pdf/2412.09315

  • Definisi ini terdengar seperti orang tua yang mengeluh karena kita memakai Google Maps alih-alih peta lipat. Mungkin kemampuan membaca peta biasa memang menurun, tetapi secara keseluruhan kita jadi lebih baik
    Menyebut ini sebagai “kemalasan” terasa reduksionis. “Bergantung pada bantuan sesuatu” justru merupakan tujuan dari semua teknologi

• Jelas ada ambivalensi dalam masalah ini. Di satu sisi, ini mengingatkan pada anggapan bahwa “tak ada yang membawa kalkulator di saku” dan anak-anak akan menjadi benar-benar tak berdaya di dunia nyata. Setelah itu, kalkulator masuk ke saku hampir semua orang, dan anak-anak juga baik-baik saja
  Di sisi lain, menurut saya manfaat dari belajar cara belajar, literasi media, serta proses meneliti dan menyusun kesimpulan secara mandiri juga penting
  Jawabannya mungkin ada di tengah-tengah. Yaitu memanfaatkan LLM sebagai alat bantu belajar, bukan sebagai tujuan akhir

  • Dulu saya diajari untuk tidak memakai kalkulator saat ujian dan PR, jadi sampai sekarang saya masih bisa berhitung dalam kepala
    Belakangan saya melihat Gen Z kebingungan saat bermain kartu yang butuh penjumlahan atau menghitung uang kembalian. Bagi milenial, itu pekerjaan setingkat sekolah dasar
  • Belajar cara belajar, literasi media, penelitian mandiri, dan pembentukan kesimpulan tidak akan hilang. Keterampilan baru seperti belajar membuat prompt yang lebih baik, belajar kapan harus mengabaikan AI, dan belajar mengubah informasi menjadi sesuatu yang nyata akan menggantikan keterampilan lama
    Sekarang memang berapa banyak orang yang masih bisa memasang pelana pada kuda, membaca waktu tanpa jam, menjahit kemeja, membuat kain, berburu dengan alat primitif, atau menyalakan api. Kita bisa menyembunyikan anak-anak dari AI, atau mengajari mereka tumbuh dengan memanfaatkan AI. Jika ingin melihat apa yang terjadi saat kita melepaskan sesuatu hanya karena terasa terlalu futuristis, lihat saja Amish. Itu hidup yang patut dihormati, tetapi dari orang-orang yang membaca ini, berapa banyak yang akan memilih hidup seperti itu
  • Mengejutkan bahwa orang-orang begitu saja selalu percaya pada apa yang dikatakan LLM. Beberapa teman memakai ChatGPT untuk segala hal, dari pekerjaan sampai pertanyaan sederhana
    Seorang teman bertanya ke ChatGPT tentang riwayat seorang musisi, dan agak menakutkan bahwa ia tidak bisa membaca halaman Wikipedia yang memuat informasi dan sumber yang sama. Ibu saya bilang dia memakai ChatGPT untuk membuat “lemari kapsul”, dan saya jadi berpikir bukankah cukup melihat pakaian lalu membuang yang tidak dipakai. Kenapa keputusan sesederhana ini harus dibuat oleh komputer
    Saya tidak yakin LLM seharusnya dipakai sebagai alat bantu belajar. Saya belum pernah melihat alasan mengapa itu lebih baik daripada pencarian online atau cerita kreatif buatan sendiri, dan kalau memang ada use case LLM yang jelas bermanfaat, saya ingin mendengarnya
  • Menurut saya ini lebih mirip contoh perpustakaan. Generasi orang tua harus pergi ke perpustakaan dan mencari buku, tetapi pada generasi saya orang bilang cukup pakai internet
    Secara realistis, tampaknya standar untuk kemampuan mengakses pengetahuan luas dan detail dengan cepat akan naik. Jika kita bisa memeriksa detail dengan sangat cepat saat dibutuhkan, ada nilai besar dalam memahami banyak bidang pada tingkat menengah. Semakin mendalam, kecepatan belajar juga cenderung makin melambat. Saat mengerjakan hal yang rumit, meski sudah tahu detailnya, tetap saja itu penting sehingga harus dicek lagi
  • Sekolah tidak lagi mengajarkan slide rule atau tabel logaritma. Kalkulator dan komputer telah membuat kemalasan metakognitif yang cukup besar bahkan pada saya yang punya gelar doktor statistika
    Saya juga hampir tidak mengingat lingkaran satuan secara refleks selain kelipatan π/4, dan untuk kelipatan π/6 saya masih bisa tetapi lambat. Meski begitu, saya tidak merasa menjadi matematikawan yang lebih buruk hanya karena tidak bisa langsung mengingat hal-hal seperti itu. Mungkin saya sedikit lebih lambat dalam mendapatkan jawaban untuk masalah sepele, tetapi saya masih bisa menyelesaikan masalah yang kompleks
    Untuk rumus integral, saya mencarinya di buku tabel integral kecil atau Wolfram Alpha. Walaupun saya bisa menurunkannya sendiri, saya tidak berpikir hasilnya akan 100% benar. Kemalasan metakognitif sudah berakar dalam diri saya. Namun, jika kita bisa menemukan cara mencegahnya berkembang menjadi pembusukan otak total, saya rasa itu masih tidak apa-apa. Jika kita mengajarkan siswa berpikir kritis, dan mencari cara agar AI membantu tanpa menjadikan kita seperti manusia di pesawat luar angkasa dalam Wall-E, kita bisa bertahan

• Abstraknya bahkan tidak mendefinisikan apa itu kemalasan metakognitif, dan dari penjelasan hasil sebelumnya saja juga tidak cukup memberi makna kontekstual
  Secara pribadi, keunggulan ChatGPT yang jelas dibanding pencarian Google adalah saya bisa terus melontarkan pertanyaan yang lebih bernuansa terhadap jawaban awalnya. Dalam pencarian tradisional, semakin jauh pencarian lanjutan dilakukan, semakin menurun manfaat marginal rasa ingin tahu dibanding waktu yang dihabiskan. Semakin saya memperhalus pertanyaan, semakin sulit hasil yang tidak dioptimalkan untuk SEO muncul, dan yang keluar cenderung berupa tulisan umum untuk pembaca awam tanpa informasi baru, atau materi khusus yang memerlukan latar belakang profesional yang sangat luas. LLM sangat bagus dalam menjembatani saya menuju jawaban yang saya inginkan

  • Jika tidak ada definisi, kita bisa membacanya secara harfiah. Artinya berhenti berusaha mempelajari cara belajar yang lebih baik. Begitu mulai belajar dengan chatbot, orang menjadi hanya bergantung pada chatbot tanpa melatih metode lain
    Saya pernah mendengar bahwa insinyur junior terjebak dalam perangkap ini. Daripada memperlihatkan kekurangan pengetahuan mereka kepada rekan kerja, mereka menanyakan segalanya ke chatbot. Walaupun chatbot bisa menghindari kesalahan yang terang-terangan, junior tidak bisa menangkap kesalahan yang halus
  • Menarik bahwa Anda menyebutnya sebagai “jawaban yang saya inginkan”. Bukan “jawaban yang benar untuk pertanyaan saya”, sehingga pendekatan seperti ini tampak cukup berpotensi mengarah pada penguatan bias yang sudah ada
    Ini terdengar sangat mirip dengan mencari dokumen Wikipedia tertentu, lalu menelusuri sumbernya untuk menemukan teks asli tempat “jawaban yang saya inginkan” pertama kali muncul
  • Beberapa hari lalu ada pembahasan tentang jaringan saraf yang dibuat di atas chip foton tunggal. Saya memasukkan makalahnya ke ChatGPT, lalu memakainya untuk memahami dengan jauh lebih bermakna dan menyeluruh apa sebenarnya yang diberikan chip itu, bagaimana cara kerjanya, prinsip dasar komponen intinya, dan bagaimana sistemnya diintegrasikan
    Kemungkinan halusinasi memang harus diperhitungkan, tetapi fakta bahwa ada penjelas yang tak kenal lelah dan bisa dipakai kapan saja justru meningkatkan motivasi untuk menelusuri informasi teknis yang padat dan memahami konsep baru. Hanya saja, kemauan untuk mulai menulis dari kertas kosong tampaknya berkurang. Saya jadi cenderung mengeksplorasi topik dengan ChatGPT terlebih dahulu untuk mendapatkan garis besar kasar dan isi dasarnya, lalu baru melanjutkan menulis
  • Meski ChatGPT kadang “menciptakan” realitas versinya sendiri, ada kalanya saya tetap merasa itu lebih baik daripada hasil pencarian Google atau DuckDuckGo
    Dalam beberapa kasus, LLM bahkan memberi string spesifik yang bisa langsung dimasukkan ke mesin pencari untuk memverifikasi isinya. Pencarian sudah rusak parah, dan terus begitu sejak sekitar 2014, ketika di halaman hasil pencarian Google iklan mulai terlihat lebih banyak daripada hasilnya
  • Tidak mencoba menyusun definisi sendiri berdasarkan contoh di abstrak dan makna kata itu sendiri justru tampak seperti contoh yang bagus dari kemalasan metakognitif. Artinya malas menjalani proses berpikir sendiri

• Ponsel dan laptop memang telah mengubah beberapa hal, dari sudut pandang seseorang yang tumbuh tanpa itu. Sekitar 20–25 tahun lalu, saya sadar bahwa dengan satu atau dua kali pencarian web, paling banyak dua atau tiga kali, hampir semua fakta bisa ditemukan; lalu 10–15 tahun lalu, perangkat yang terhubung dan bisa melakukan itu kapan saja jika diminta masuk ke saku kita
  Namun sejak sekitar 5 tahun lalu, dalam situasi sosial saya kebanyakan mulai memilih untuk tidak melakukannya. Meski penasaran dengan fakta sepele di tengah percakapan, saya tidak memutus alur untuk mengeluarkan layar dan mencari jawabannya, melainkan tetap bersama orang itu dan melanjutkan interaksi
  Pada era 80-an dan 90-an, dalam suasana seperti kuis bar, orang bisa berdebat sengit soal fakta kecil yang tidak langsung diketahui oleh keduanya. Sekarang, karena jawabannya terlalu mudah ditemukan, hal seperti itu hampir lenyap dan benar-benar hilang. Saya tidak merindukannya, tetapi itu membuat saya makin peka terhadap betapa kesadaran saya terikat pada fakta yang bisa diakses lewat pencarian web, dan saya tidak yakin saya suka telah mengalihdayakan begitu banyak bagian otak saya ke tempat yang berada di luar kendali saya

  • Saya pernah berpikir, mungkin alasan Guinness dulu membuat “buku rekor dunia” adalah untuk menjawab pertanyaan-pertanyaan seperti itu yang sering muncul di bar
  • Cukup bawa buku catatan kecil atau kartu flash Anki, atau memo sederhana
    Mempelajari pengetahuan trivia murni demi membantu daya ingat juga bisa jadi cara
  • Saya cukup tua untuk masih ingat kuis bar pada masa sebelum semuanya bisa dicari lewat ponsel. Saya sangat yakin ponsel telah merusak kuis bar
  • Ini contoh yang bagus, tetapi kalau membayangkan zaman leluhur kita, orang juga bisa berkata, “Ingat dulu ada permainan adu siapa yang bisa melihat burung paling jauh? Kacamata merusaknya”

• Orang-orang mengatakan bahwa kode yang dibuat AI generatif harus tetap ditinjau sepenuhnya oleh manusia. Artinya, harus dipastikan tidak ada kesalahan yang jelas, dan bahwa yang dibuat adalah sesuatu yang “benar” sesuai kebutuhan
  Anekdot dari para praktisi yang memakai AI generatif dengan cara ini mengatakan bahwa itu alat yang bagus bagi pengembang berpengalaman yang tahu apa yang harus diwaspadai. Tetapi kalau memikirkan orang yang masih belajar dan belum tahu apa yang mereka lakukan, mereka tidak tahu apa yang harus diwaspadai. Apakah mereka tahu bahwa mereka perlu menanyakan apa itu use-after-free, bagaimana cache memory bekerja? Apakah mereka tahu nama-nama algoritme dan struktur data? Apakah mereka bisa mengenali saat AI generatif mulai mengoceh sembarangan?
  Penelitian seperti ini sulit, tetapi penting. Walau sampelnya kecil, tetap menarik, dan saya penasaran apakah orang lain bisa mereplikasinya

  • Saya mendengar anekdot dari seorang teman yang mengajar ilmu komputer. Tahun ini banyak mahasiswa mulai menambahkan pernyataan break yang tidak perlu ke dalam kode C
    Bentuknya seperti while (condition) { do_stuff(); if (!condition) { break; } }. Setelah ditelusuri, kesamaan mereka adalah ChatGPT; mahasiswa yang bertanya bagaimana loop bekerja semuanya menerima variasi jawaban “untuk keluar dari loop, gunakan break()”. Dalam ilmu komputer, ini tidak dilakukan seperti itu, dan selain tidak perlu, juga membuat pembuktian formal lebih rumit, sehingga mereka harus menambahkan petunjuk di ujian agar “lakukan dengan cara yang diajarkan di kelas” dan memberi pengecualian umum untuk kasus sekali-sekali
  • Ada kalanya jika Anda cukup memahami X, Anda jadi bisa melakukan Y bersama X. Hal-hal yang sebelumnya tidak bisa dilakukan pun menjadi mungkin
    Misalnya, saya seorang programmer tetapi sangat buruk dalam matematika. Saya ingin membuat game dan memang bisa membuatnya, tetapi matematika sering membuat kemajuan jauh lebih sulit. Saya sudah membuat dan merilis game, tetapi matematika selalu menghambat. Saya tahu persis perilaku dan hasil yang saya inginkan, tetapi tidak selalu bisa menemukan cara mencapainya
    LLM sangat membantu memisahkan bagian seperti itu menjadi kotak hitam kecil. Saya tahu hasilnya benar, tetapi tidak 100% yakin bagaimana cara kerjanya. Saat ia memberi kode yang salah, saya bisa menyadarinya karena saya tahu apa yang saya cari dan mengapa, dan yang hilang hanya “bagaimana”-nya. Ini mirip pustaka pihak ketiga yang bisa dipakai jika kita memahami API publiknya meski tidak sepenuhnya memahami bagian dalamnya, hanya saja kodenya dimasukkan ke codebase saya dan saya pasangi banyak unit test
  • Orang yang tidak bisa menangkap nuansa detail seperti itu akan sulit menjadi programmer yang kompeten, tak peduli seberapa sering mereka memakai LLM

• Saat ini saya sedang menguji LLM penalaran, deepseek-r1, dengan tutorial rustlings yang sangat bagus. Karena terdokumentasi dengan baik dan solusinya mudah ditemukan secara online, ini cocok dipakai sebagai uji malas ketika menilai tugas coding, melihat-lihat pekerjaan baru, dan mempertimbangkan apakah sudah saatnya menjadikan rekayasa perangkat lunak sebagai hobi
  Alasan mengujinya dengan rustlings adalah juga untuk melihat nilainya sebagai alat belajar bagi mahasiswa dan calon rekan kerja. Mungkin hal seperti ini berguna sebagai pengajar. Kompiler Rust juga memberi saran yang sangat bagus, jadi ada baseline yang hebat untuk dibandingkan dengan keluaran LLM
  Kesimpulannya, tampaknya deepseek-r1 belum akan menggantikan siapa pun dalam waktu dekat. Ia menghasilkan teks dalam jumlah sangat besar, tetapi kebanyakannya tidak masuk akal, dan hampir selalu salah parah. Namun pengembang yang belum matang atau pemula, terutama pemula, bisa menjadi bingung dan terseret ke arah yang salah, dengan risiko mengalihdayakan penalaran rasional kepada sesuatu yang terdengar meyakinkan tetapi sebenarnya tidak demikian
  Untuk saat ini, ketergantungan berlebihan pada ocehan panjang model statistik tampaknya merugikan pendidikan dan hasil kerja pengembang masa depan. Mungkin masa keemasan akan datang bagi generasi insinyur perangkat lunak kuno yang mungkin terakhir, yang dilatih dengan kopi dan air mata frustrasi serta harus benar-benar bergulat langsung dengan kode dan arsitektur. Karena seseorang tetap harus memperbaiki sampah yang diproduksi massal oleh LLM

  • Saat membuat penilaian itu, apakah Anda mempertimbangkan keseluruhan proses penalaran yang dilakukan model? Setahu saya, model seperti ini memang dirancang untuk berbicara sepanjang itu karena mengeksplorasi banyak jalur dan kemungkinan sebelum sampai pada kesimpulan
    Tujuannya tampaknya bukan untuk memakai keluarannya secara mentah, melainkan lebih dekat ke menambahkan lapisan yang menyusun jawaban akhir di atasnya.
    Saya mulai belajar coding tepat sebelum Stack Overflow mulai benar-benar populer, dan saya ingat saat itu juga blog penuh dengan tulisan seperti “Stack Overflow akan membuat pengembang malas”, “ini akhir dari pengembang sejati”. Saya bukan sedang membantah, hanya menarik bahwa sentimen seperti ini terus berulang dari waktu ke waktu dengan hanya detailnya yang berubah

• Socrates dalam Phaedrus karya Plato mengkritik bahwa menulis akan “menciptakan kelupaan dalam jiwa para pelajar”, Leonard Euler mengatakan logaritma seharusnya diturunkan dari prinsip pertama alih-alih memakai tabel logaritma, dan Lord Kelvin menilai kalkulator mekanis akan membuat pembinaan kemampuan bernalar siswa terabaikan
  Dalam autobiografi Henry Ford ada bagian yang menyebut bahwa pada 1907 seorang petani berkata traktor bensin akan “membuat anak-anak malas dan tidak berguna” serta membuat mereka tidak belajar bertani, dan pada 1877 New York Times memuat kekhawatiran para guru bahwa pensil berpenghapus membuat siswa tidak perlu berpikir sebelum menulis sehingga menjadi ceroboh
  Augustus De Morgan mengatakan siswa yang bergantung pada tabel perkalian cetak tidak memahami angka dan menjadi “mesin penghitung belaka”, John Philip Sousa mengkritik bahwa fonograf akan membuat orang berhenti belajar alat musik, dan Richard Feynman juga khawatir kalkulator genggam dapat membuat siswa kehilangan kemampuan memperkirakan dan memahami hubungan matematis
  Masih bisa diteruskan lagi. Claude menuliskan sampai 15 contoh. Dua puluh tahun lagi, kalau AI tidak membunuh kita semua, saya rasa kita akan melihat kembali dan menyadari bahwa bekerja bersama LLM bukanlah kruk seperti yang dibayangkan orang sekarang

  • Saya tidak menganggap satu pun dari delapan hal itu salah. Terutama jika kita mencoba memahami masing-masing pemikiran itu. Pada masa itu waktu berjalan lebih lambat, dan menggambar dengan penghapus juga nyaris merupakan genre tersendiri
  • Jadi penasaran apa prompt-nya