Analitik Data untuk Latihan Pensyarah yang Lebih Tepat

Pada 21/12/2025, kebanyakan kampus sedang menutup semester dan mula merancang latihan pensyarah untuk tahun baharu. Ini juga masa paling kerap “terjadi perkara yang sama”: program pembangunan profesional diumumkan, pendaftaran perlahan, dan yang hadir… orang yang sama.

Masalahnya jarang tentang niat. Ia tentang padanan—topik yang ditawarkan tak cukup rapat dengan keperluan sebenar pensyarah, jadualnya tak mesra beban kerja, dan pihak pengurusan tak ada bukti kuat untuk pilih modul mana patut diberi keutamaan. Di sinilah analitik data jadi alat paling praktikal. Bukan untuk memantau pensyarah, tapi untuk mereka bentuk latihan yang lebih diperibadikan, sama seperti AI menyokong pembelajaran diperibadikan untuk pelajar.

Satu projek di sebuah universiti swasta bukan berasaskan keuntungan menunjukkan pendekatan yang mudah tetapi berkesan: guna tinjauan ringkas, bersihkan data, bina papan pemuka, dan buat keputusan program berdasarkan bukti. Hasilnya nyata—kadar penyiapan 97% untuk kursus pertama dan 92% untuk kursus kedua selepas pengambilan kohort.

Kenapa pembangunan pensyarah sering tak “kena”

Jawapan terus: program gagal apabila ia dibina berdasarkan andaian, bukan isyarat data.

Dalam banyak institusi, keputusan latihan dibuat ikut trend semasa, cadangan vendor, atau keperluan akreditasi—semua ini penting, tapi ia tak semestinya menjawab persoalan harian pensyarah: “Apa yang paling membantu kelas saya minggu depan?” Bila jawapannya kabur, komitmen pun menurun.

Saya selalu nampak tiga punca utama:

1. Topik terlalu umum. “Pedagogi digital” boleh bermaksud 20 perkara. Tanpa pecahan yang jelas (contohnya mikrokelayakan), pensyarah sukar nampak nilai.
2. Kitaran maklum balas lambat. Bila maklum balas hanya dikumpul selepas latihan, institusi dah terlepas peluang untuk betulkan reka bentuk sebelum program berjalan.
3. Sumber diagih tanpa data. Bajet, fasilitator, dan masa pensyarah itu terhad. Tanpa bukti minat dan keutamaan, pilihan modul jadi pertaruhan.

Dalam siri “AI dalam Pendidikan dan EdTech”, ini selari dengan prinsip asas AI: buat keputusan berdasarkan corak data, bukan perasaan. Bezanya, di sini “pengguna” ialah pensyarah, dan “produk” ialah program pembangunan profesional.

Dari data ke keputusan: model ringkas yang boleh ditiru

Jawapan terus: mulakan dengan tinjauan minat yang pendek, analisis dengan papan pemuka, dan jadikan keputusan program sebagai output yang boleh diaudit.

Projek rujukan ini bermula dengan tinjauan enam item kepada hampir 250 pensyarah merentas tiga kolej (Perubatan, Kejururawatan, Sains & Kesihatan). 89 menyertai tinjauan; selepas proses pembersihan (buang pendua dan keluarkan peserta kohort awal), tinggal 70 respons sah untuk analisis.

1) Kutip data yang “cukup untuk bertindak”

Mereka tak buat soal selidik 40 soalan. Mereka buat enam sahaja—cukup untuk menggerakkan keputusan:

• Maklumat akademik (jawatan, afiliasi/kolej)
• Keutamaan topik mikrokelayakan (diutamakan/ranking)
• Minat menyertai program (ya, mungkin, tidak)

Ini penting: data minimum yang berguna biasanya mengalahkan data banyak yang tak sempat dianalisis.

2) Bersihkan data supaya keputusan tak tersasar

Analitik yang baik bukan bermula dengan graf cantik, tapi dengan data yang kemas:

• Buang lajur tak relevan (masa mula/siap)
• Pastikan jenis data betul (teks, nombor, kategori)
• Buang respons pendua
• Pisahkan peserta kohort awal supaya keputusan pengambilan baharu tak “tercemar”

Langkah ini nampak remeh, tapi inilah beza antara “laporan” dan bukti yang boleh dipercayai.

3) Susun data dengan struktur yang memudahkan pertanyaan

Pasukan projek menggunakan pendekatan star schema—satu jadual fakta (respons tinjauan) dan jadual dimensi (jawatan akademik, keutamaan mikrokelayakan). Untuk institusi yang dah guna sistem BI, ini cara yang kemas untuk buat analisis berulang tanpa menyusun semula setiap kali.

Jika institusi anda belum sampai tahap itu, versi “ringkas” pun boleh:

• Satu fail data respons
• Satu jadual rujukan untuk kod jawatan/kolej
• Satu jadual untuk senarai topik latihan

Yang penting: konsisten.

Papan pemuka yang betul-betul membantu pengurusan

Jawapan terus: papan pemuka yang baik menjawab tiga soalan—siapa berminat, dari mana mereka datang, dan modul apa patut ditawar.

Mereka membina papan pemuka dinamik (menggunakan alat analitik institusi) dengan visual yang terus boleh digunakan oleh pentadbir akademik:

• Carta pai: pecahan minat (ya/mungkin/tidak)
• Carta lajur: jumlah mengikut kolej dan jawatan
• Carta bar: minat mengikut topik mikrokelayakan

Trik yang saya suka di sini: mereka jadikan kategori minat sebagai penapis. Maksudnya, pengurusan boleh tanya soalan praktikal seperti:

• “Kalau kita fokus pada kumpulan ‘ya’, topik mana paling tinggi?”
• “Pensyarah dari kolej mana paling ramai ‘mungkin’—perlu sesi penerangan khas?”
• “Jawatan akademik mana yang memerlukan sokongan jadual?”

Ini juga gaya pemikiran yang dekat dengan AI/EdTech: sistem yang baik bukan sekadar memaparkan data, tetapi memudahkan pertanyaan yang membawa tindakan.

Apa yang berubah bila keputusan dibuat guna data

Jawapan terus: data memudahkan pembiayaan, menajamkan reka bentuk program, dan menaikkan kadar penyiapan.

Dalam projek ini, tinjauan menunjukkan:

• 36 pensyarah berminat (“ya”)
• 28 lagi “mungkin”

Maklumat ini bukan sekadar untuk fail. Pentadbir menggunakan laporan sebagai bukti untuk menyokong permohonan geran bagi meneruskan pengambilan peserta.

Perancangan program yang lebih tepat sasaran

Pentadbir menggunakan data sebagai panduan untuk memilih dua mikrokelayakan yang paling selari dengan minat. Ini penting: bila latihan kena pada masalah sebenar pensyarah, ia nampak relevan, dan relevan ialah “bahan api” komitmen.

Pengambilan dan penyiapan yang tinggi

Hasilnya, mereka berjaya merekrut 32 pensyarah untuk kohort baharu.

• Kursus pertama: 97% kadar penyiapan
• Kursus kedua: 92% kadar penyiapan (24 peserta daripada yang menyiapkan kursus pertama)

Kadar penyiapan setinggi ini jarang berlaku untuk latihan profesional jika topik tak tepat, sokongan lemah, atau jadual tak realistik.

Apa faktor di sebalik penyiapan tinggi?

Selain kualiti kandungan, projek ini menekankan:

• Strategi kendiri pensyarah (pengurusan masa, disiplin, kawal usaha)
• Relevansi mikrokelayakan terhadap kerja sebenar pengajaran
• Kerjasama pihak berkepentingan yang memudahkan penyampaian dan sokongan

Ini memberi petunjuk praktikal: analitik bukan “menggantikan” sokongan manusia. Ia membantu anda menyusun sokongan pada tempat yang betul.

Hubungan terus dengan AI dan EdTech: pembelajaran diperibadikan untuk pendidik

Jawapan terus: analitik untuk pembangunan pensyarah ialah versi “personalization engine” yang sama seperti AI untuk pelajar.

Dalam EdTech, kita biasa dengar tentang:

• analitik LMS untuk lihat penglibatan pelajar,
• sistem cadangan (recommendation) untuk aktiviti seterusnya,
• pemetaan kompetensi untuk laluan pembelajaran.

Gunakan logik yang sama untuk pensyarah:

• Segmentasi audien: pensyarah baharu vs senior, kolej A vs kolej B
• Cadangan modul: modul yang paling relevan mengikut konteks pengajaran
• Laluan mikrokelayakan: bukan satu program panjang, tetapi langkah kecil yang berkait dengan hasil pengajaran

Saya berpandangan begini: jika institusi serius tentang pembelajaran diperibadikan untuk pelajar, ia patut sama serius tentang pembangunan diperibadikan untuk pensyarah. Pensyarah yang disokong dengan baik akan membina pengalaman pembelajaran yang lebih stabil, lebih jelas, dan lebih adil untuk pelajar.

Cara mula di institusi anda (tanpa projek besar-besaran)

Jawapan terus: buat satu pusingan tinjauan, bina satu papan pemuka mudah, dan jadikan keputusan program sebagai eksperimen yang boleh diukur.

Berikut pelan 30–45 hari yang realistik:

1) Reka tinjauan 6–8 soalan (minggu 1)

Pastikan soalan memaksa pilihan (bukan jawapan panjang). Contoh kategori:

• Kolej/jabatan
• Jawatan akademik
• Mod pengajaran (bersemuka/hibrid/online)
• 4–6 pilihan mikrokelayakan (mesti spesifik)
• Minat menyertai (ya/mungkin/tidak)
• Halangan utama (masa/jadual/sokongan teknikal)

2) Tetapkan definisi metrik (minggu 1)

Pilih 5 metrik yang anda akan guna untuk keputusan:

• Kadar minat “ya”
• Kadar “mungkin”
• Topik #1 dan #2 mengikut segmen
• Halangan utama mengikut segmen
• Sasaran pengambilan yang realistik

3) Bersihkan dan analisis (minggu 2–3)

Minimum yang anda perlu:

• Buang pendua
• Standardkan nama jabatan/jawatan
• Pastikan ranking keutamaan topik boleh dikira

4) Bina papan pemuka satu muka surat (minggu 3–4)

Satu muka surat sudah cukup jika ia menjawab:

• “Berapa ramai?”
• “Siapa?”
• “Nak belajar apa?”
• “Apa halangan?”

5) Jalankan kohort kecil + ukur (minggu 5–6)

Jadikan ini eksperimen yang jelas:

• Sasaran penyiapan (contoh: ≥85%)
• Ukur kepuasan (contoh: ≥4.2/5)
• Ukur pemindahan ke amalan (contoh: 1 perubahan pengajaran dilapor dalam 30 hari)

Satu ayat pegangan yang saya guna: “Kalau kita tak boleh jelaskan keputusan program dengan data, program itu mudah jadi aktiviti tahunan semata-mata.”

Apa langkah seterusnya untuk 2026?

Analitik data untuk pembangunan pensyarah bukan projek sekali jalan. Ia patut jadi rutin—seperti semakan kurikulum. Bila institusi mengamalkan kitaran ini, latihan jadi lebih relevan, kadar penyiapan meningkat, dan budaya kerja bergerak ke arah amalan berasaskan bukti.

Jika anda sedang merancang inisiatif AI dalam pendidikan—sama ada chatbot sokongan pengajaran, analitik LMS, atau platform mikrokelayakan—mulakan dengan satu disiplin yang paling mudah: kumpul isyarat minat, analisis dengan jelas, dan buat keputusan yang boleh dipertahankan.

Anda nak program latihan pensyarah 2026 dikenang sebagai “sekadar cukup syarat”, atau sebagai pelaburan yang betul-betul mengubah cara pengajaran berlaku di kampus anda?