Rahasia terkotor dalam pendidikan tinggi adalah tidak adanya data yang baik tentang kualitas pengajaran dan pengajar di kampus-kampus perguruan tinggi1. Kalimat pembuka ini memicu diskusi menarik tentang paradoks pengumpulan data di dunia akademis. Hollis Robbins dalam esainya mengungkapkan keprihatinan mendalam tentang ketiadaan informasi terukur mengenai mutu instruksional.
Evaluasi mahasiswa yang umum digunakan ternyata tidak membantu sama sekali. Mengapa? Karena instrumen tersebut dirancang untuk mengukur kepuasan (satisfaction) siswa, bukan kualitas pengajaran dosen1. Lebih parah lagi, hasil evaluasi ini sebagian besar tidak tersedia bagi pihak di luar institusi yang bersangkutan.
Estimasi Mengkhawatirkan tentang Kualitas Pengajaran
Berdasarkan pengamatan selama 30 tahun sebagai profesor dan dekan, Robbins memperkirakan bahwa kecuali institusi swasta elit, lebih dari separuh instruksi universitas di Amerika Serikat berkualitas sedang hingga buruk1. Hanya sekitar 25 persen yang bagus. Dan cuma 5 persen yang sangat baik.
Angka-angka ini tentu saja perkiraan subjektif, namun menggambarkan realitas yang cukup memprihatinkan dalam sistem pendidikan tinggi kontemporer.
Mengapa Ketiadaan Data Bukan Berarti Ketiadaan Pengetahuan
Justin Weinberg mengajukan pertanyaan kritis: apakah ketiadaan data benar-benar masalah? Data dan pengetahuan bukanlah sinonim1. Ketiadaan yang pertama tidak otomatis mengimplikasikan ketiadaan yang kedua. Departemen-departemen akademis sebenarnya sudah mengetahui mana pengajar mereka yang umumnya lebih baik atau lebih buruk, serta dalam aspek apa.
Mereka punya berbagai cara untuk mengetahui hal ini. Observasi kelas (classroom observations), misalnya. Demonstrasi pengetahuan dan keterampilan mahasiswa dalam kursus yang memiliki prasyarat juga bisa menjadi indikator kualitas pengajaran prasyarat tersebut1. Profesor mana yang dipilih mahasiswa untuk studi independen? Semua ini menghasilkan pengetahuan tentang kualitas pengajar meski tidak dalam bentuk data kuantitatif yang sempurna.
Masalah Akuntabilitas dan Eksportabilitas
Masalahnya adalah pengetahuan ini tidak mudah diekspor ke pihak di luar institusi. Akibatnya, tidak bisa digunakan sebagai alat untuk meminta pertanggungjawaban institusi atas kualitas pengajaran mereka1. Data bisa menjadi alat akuntabilitas (accountability). Tapi apakah akan benar-benar digunakan untuk itu?
| Aspek ๐ | Metode Tradisional โ๏ธ | Pendekatan Data ๐ | Risiko Potensial โ ๏ธ |
|---|---|---|---|
| Evaluasi Pengajaran | Observasi kelas, umpan balik kualitatif | Standardized exams, metrics kuantitatif | Surrogation (penggantian kualitas dengan metrik) |
| Insentif Fakultas | Promosi berbasis penelitian | Promosi berbasis data pengajaran | Teaching to the test |
| Akuntabilitas Publik | Reputasi institusi, alumni | Ranking berbasis data transparan | Reduksi pluralisme akademik |
| Kebebasan Akademik | Otonomi pengajaran tinggi | Kurikulum terstandarisasi | Erosi kebebasan akademik |
| Indikator Kualitas | Pilihan mahasiswa, studi independen | Skor ujian terstandar | Distorsi proses sosial (Campbell's Law) |
| Penilaian Mahasiswa | Pertanyaan kualitatif spesifik | Rating numerik agregat | Bias gender dan ras dalam evaluasi |
| Tujuan Pendidikan | Pembelajaran holistik, pemikiran kritis | Value-added measurable outcomes | Vokasionalisasi pendidikan tinggi |
Fenomena Surrogation dan Hukum Campbell
Kekhawatiran paling signifikan adalah apa yang disebut surrogation: fenomena di mana ukuran suatu kualitas menggantikan, dalam praktiknya, kualitas itu sendiri1. Ini berkontribusi pada yang dikenal sebagai Hukum Campbell (Campbell's Law): semakin banyak indikator sosial kuantitatif digunakan untuk pengambilan keputusan sosial, semakin rentan ia terhadap tekanan korupsi dan semakin cenderung mendistorsi proses sosial yang dimaksudkan untuk dipantau1.
Siapa pun yang mengamati pendidikan K-12 di Amerika Serikat familiar dengan contoh-contoh ini. Siswa di setiap tingkat mengikuti kurikulum yang tidak ditujukan untuk menghasilkan pembelajaran itu sendiri, melainkan untuk menghasilkan skor tinggi pada ujian standar yang diterapkan untuk mengukur pembelajaran1. Kita tidak berpikir siswa muda kita belajar lebih baik di bawah rezim pendidikan yang didominasi data. Kita juga tidak berpikir guru kita mengajar lebih baik di bawahnya.
Pelajaran dari Pendidikan Dasar-Menengah
Ujian standar diimplementasikan untuk menghasilkan data sebagai respons terhadap masalah nyata dengan kualitas dan keadilan pendidikan1. Namun tidak ada yang melihat fenomena teaching to the test yang dihasilkan oleh pengumpulan data bermaksud baik ini dan merasa senang tentangnya. Ini menjadi pelajaran berharga tentang konsekuensi tidak diinginkan dari obsesi terhadap data terukur.
Ide tentang upaya skala besar untuk mengumpulkan data tentang kualitas pengajaran di pendidikan tinggi menghadirkan prospek serupa1. Apa instrumen yang kemungkinan akan digunakan untuk mengumpulkan data tersebut? Ujian standar? Mengapa ini tidak akan mereproduksi konsekuensi kontraproduktif dan tidak diinginkan yang sama seperti di tingkat pendidikan yang lebih rendah?
Ancaman terhadap Kebebasan Akademik
Prospek tersebut seharusnya membuat kita juga khawatir tentang berkurangnya kebebasan akademik dalam pengajaran, dan tentang erosi pluralisme berharga dalam dan antar institusi1. Robbins melihat data sebagai kunci kelangsungan hidup pendidikan tinggi, sebagai cara menunjukkan kepada budaya kita bahwa kuliah masih sepadan. Namun Weinberg berpendapat ini justru menambah kemungkinan pendidikan tinggi berakhir tenggelam setelah menderita terlalu banyak pukulan dari penyelamat yang ceroboh dilemparkan.
Kurangnya kemampuan data (data capabilities) memang menghambat keberhasilan organisasi dalam mencapai hasil kunci seperti pertumbuhan penjualan atau keberlanjutan lingkungan2. Namun dalam konteks pendidikan tinggi, solusinya bukan serta-merta mengumpulkan lebih banyak data.
Risiko dari Higiene Data yang Buruk
Untuk mengadopsi teknologi seperti Artificial Intelligence (AI) secara bertanggung jawab, organisasi harus memahami profil risiko tinggi dari data dan mengambil langkah konkret untuk melindunginya3. Dalam era AI dan alternatif korporat, pertanyaan tentang bagaimana menjamin kualitas profesor yang akan dihadapi mahasiswa menjadi semakin mendesak.
Kesimpulan: Strategi yang Lebih Menjanjikan
Robbins menyarankan pembuat undang-undang harus lebih fokus pada data pembelajaran value-added dan orang tua harus mulai bertanya tentang jaminan kualitas profesor1. Namun Weinberg skeptis bahwa instrumen pengumpul data kasar yang paling mungkin diminta oleh politisi dan dipasarkan kepada orang tua sebagai cara sederhana untuk memilih perguruan tinggi akan mengarah pada peningkatan semacam itu.
Begitu nilai tambah (value-added) dari pendidikan universitas digantikan oleh data yang diperoleh dari ujian standar, universitas menjadi lebih rentan terhadap penggantian dengan cara yang lebih efisien untuk mencapai skor tes yang lebih tinggi1. Jika harapannya adalah menyelamatkan ruang bagi universitas di dunia yang semakin memperlakukan pendidikan tinggi sebagai pelatihan vokasional dan semakin mengundang AI untuk melakukan pemikiran dan komunikasi kita, menyerukan metrik yang akan mereduksi semua hal berbeda yang dapat dilakukan universitas untuk siswa menjadi beberapa angka tidak tampak seperti strategi yang menjanjikan.
Manajer memang lebih siap dari sebelumnya untuk membuat keputusan yang baik dengan oodles data tentang pelanggan dan produk mereka4. Namun dalam pendidikan tinggi, yang dibutuhkan mungkin bukan lebih banyak data, melainkan kebijaksanaan dalam menggunakan pengetahuan yang sudah ada dan perubahan pada kebijakan insentif fakultas untuk memprioritaskan kualitas pengajaran.
Daftar Pustaka
- Weinberg, J. (2025). The Dangers of Data on Teaching in Higher Education. Daily Nous. https://dailynous.com/2025/12/18/dangers-data-teaching-higher-education/
- Lack Of Data Capabilities Impedes Organisations' Success: Survey. (2022). Business World. https://www.businessworld.in/article/lack-of-data-capabilities-impedes-organisations'-success-survey-457259
- Addressing The Silent Risks Of AI Scaling: Data Hygiene And Video Privacy. (2026). Forbes. https://www.forbes.com/councils/forbestechcouncil/2026/01/02/addressing-the-silent-risks-of-ai-scaling-data-hygiene-and-video-privacy/
- Beware the dangers of data. (2025). LiveMint. https://www.livemint.com/technology/beware-the-dangers-of-data-11741525813002.html
