Budaya Data di Institusi: Asas AI & EdTech Berkesan

Pada hujung 2025, banyak institusi pendidikan sedang “berlumba” mahu guna AI—untuk analisis prestasi pelajar, automasi kerja pentadbiran, dan pembelajaran diperibadikan. Tapi ada satu realiti yang saya selalu nampak bila berbual dengan pasukan IT, akademik, dan pengurusan: AI hanya sebaik data yang ia makan.

Masalahnya, data institusi kita sering kaya… tetapi bertaburan dan terkurung dalam silo. Bahagian akademik ada data LMS, HEP simpan rekod kehadiran dan disiplin, perpustakaan ada corak penggunaan, kewangan ada yuran, HR ada beban kerja staf, fasiliti ada data penggunaan ruang. Semua ini bernilai—cuma tak bercantum.

EDUCAUSE meletakkan isu “membina budaya berteraskan data di seluruh institusi” sebagai antara fokus utama untuk 2026. Saya setuju 100%. Kalau anda serius nak jayakan AI dalam pendidikan dan EdTech, budaya data ialah prasyarat, bukan projek sampingan.

Budaya data: apa yang sebenarnya dimaksudkan?

Budaya data ialah keadaan apabila seluruh institusi—bukan sekadar unit analitik—menggunakan data yang konsisten, dipercayai, dan mudah dicapai untuk membuat keputusan. Bukan setakat laporan bulanan; tetapi cara berfikir harian.

Dalam konteks AI dalam pendidikan, budaya data bermaksud:

• Soalan keputusan dimulakan dengan “data kata apa?” bukan “rasa saya…”
• Definisi metrik sama merentas jabatan (contoh: “kadar keciciran”, “pelajar aktif”, “kehadiran”)
• Akses data terurus (siapa boleh akses apa, untuk tujuan apa)
• Data bersih dan berkualiti untuk model AI, analitik pembelajaran, dan amaran awal (early warning)

Ini matters sebab AI pembelajaran diperibadikan perlukan gambaran pelajar yang lengkap, bukan potongan data dari satu sistem sahaja.

Kenapa data silo ialah “kos tersembunyi” paling mahal dalam EdTech

Jawapan ringkas: data silo buat keputusan jadi lambat, salah sasaran, dan berisiko.

Bila setiap jabatan “menggali terowong sendiri” untuk cari emas data, kesannya cepat membesar:

1) Keputusan strategik jadi bercanggah

Satu unit mungkin melaporkan “keterlibatan pelajar meningkat” kerana log LMS tinggi. Unit lain pula melihat “kadar kegagalan meningkat” kerana markah ujian merosot. Tanpa model data bersatu, anda akan dapat cerita yang tak selari.

2) AI jadi bias atau tersasar

Model AI untuk ramalan risiko keciciran boleh jadi lemah jika hanya guna data kehadiran, tanpa mengambil kira:

• beban kursus,
• penggunaan bantuan kewangan,
• corak akses bahan,
• sokongan kaunseling,
• atau perubahan jadual kerja pelajar.

AI yang “nampak pintar” tetapi dibina atas data separuh masak akan mengeluarkan cadangan yang meyakinkan—dan itu lebih bahaya daripada AI yang jelas salah.

3) Risiko privasi dan keselamatan meningkat

Bila data disalin ke fail Excel, dihantar melalui e-mel, atau disimpan di storan peribadi “sementara nak buat laporan”, anda sedang membina permukaan risiko yang luas. Dengan lonjakan penggunaan automasi berasaskan API dan AI, institusi perlukan kawalan akses yang jelas.

4) Pembaziran kos sistem dan tenaga kerja

Berapa ramai staf habiskan masa:

• cari data,
• bersihkan data,
• padankan ID,
• semak kesilapan,
• dan ulang kerja yang sama setiap semester?

Budaya data yang matang akan mengurangkan kerja manual dan mengalih fokus staf kepada kerja bernilai tinggi: interpretasi, tindakan, intervensi.

Kepimpinan: faktor nombor satu yang menentukan hidup mati budaya data

Jawapan terus: budaya data bermula di bilik mesyuarat pengurusan tertinggi.

Kajian landskap analitik EDUCAUSE 2024 mendapati pemimpin sering faham nilai data dan kerap memintanya, tetapi profesional data/analitik melaporkan komitmen dan pelaburan kepimpinan masih tidak konsisten. Ini selari dengan apa yang biasa berlaku: semua orang mahukan papan pemuka (dashboard), tetapi tak semua sanggup membiayai asasnya—tadbir urus data, integrasi, peranan data steward, dan latihan literasi data.

Apa rupa komitmen kepimpinan yang “real”?

Bukan slogan “data-driven”, tetapi tindakan yang boleh diukur:

1. Mandat definisi metrik institusi (contoh: satu definisi rasmi untuk “pelajar berisiko”)
2. Peruntukan bajet berterusan untuk integrasi data, kualiti data, dan keselamatan
3. Pemilikan bersama: data bukan milik satu jabatan—ia aset institusi
4. Keputusan besar mesti ada bukti data (contoh: pembukaan program baharu, polisi kehadiran, strategi pengambilan)

Satu ayat yang saya suka guna bila bantu institusi menyusun strategi: “Kalau AI ialah enjin, data governance ialah brek.” Tanpa brek, anda tak boleh memecut dengan selamat.

Sistem bersepadu & data bersatu: landasan untuk AI pembelajaran diperibadikan

Jawapan ringkas: AI perlukan data bersatu supaya dapat memahami konteks pelajar secara menyeluruh.

Membina budaya data bukan sekadar membeli platform analitik. Ia melibatkan kerja “paip dan asas rumah”:

1) Satukan sumber data utama

Biasanya, institusi akan bermula dengan 4–6 sumber teras:

• SIS (rekod akademik)
• LMS (aktiviti pembelajaran)
• Kehadiran/HEP
• Kewangan/yuran
• Perpustakaan/sumber digital
• HR (untuk beban tugas pengajar, jadual)

Buat satu peta: data apa wujud, siapa pemilik, kekerapan kemas kini, dan tahap sensitiviti.

2) Wujudkan “unified data model” (model data bersatu)

Bila “pelajar” wujud dalam 5 sistem dengan 5 ID berbeza, AI akan keliru. Model data bersatu menyelesaikan masalah ini dengan:

• ID tunggal atau pemetaan ID
• definisi entiti yang konsisten (pelajar, kursus, sesi, penilaian)
• kamus data (data dictionary) yang mudah difahami

3) Sediakan lapisan akses yang selamat

Dengan permintaan akses API untuk automasi aliran kerja (contoh: pensyarah mahu tarik data kehadiran ke alat pemarkahan), anda perlu:

• kawalan akses berasaskan peranan (RBAC)
• log audit (siapa akses apa, bila)
• prinsip “least privilege”
• pengelasan data (awam, dalaman, sulit)

Ini bukan untuk menyusahkan pengguna. Ini untuk membolehkan lebih ramai guna data dengan selamat.

Literasi data: kunci untuk elak “dashboard cantik, keputusan keliru”

Jawapan terus: orang perlu faham dari mana data datang dan apa hadnya.

EDUCAUSE menampilkan contoh di Vanderbilt University: permintaan data datang dari pelbagai sudut—kejayaan pelajar, penggunaan fasiliti, hubungan alumni, malah penglibatan peminat (fans). Apabila permintaan makin pelbagai, pasukan data mendapati mereka perlu bekerjasama rapat dengan pemimpin untuk menjelaskan nilai data, konteks, dan cara mentafsir.

Saya setuju dengan pendekatan itu. Literasi data bukan kursus statistik yang berat. Ia bermula dengan soalan mudah:

• Data ini datang dari sistem mana?
• Bila kali terakhir ia dikemas kini?
• Apa definisi medan ini?
• Apa yang data ini tak boleh jawab?

Cara praktikal membina literasi data (tanpa membebankan staf)

• Sesi 45 minit untuk pemimpin: baca dashboard, faham metrik, elak salah tafsir
• “Kamus metrik 1 halaman” untuk metrik kritikal (keciciran, lulus, kehadiran)
• Clinic mingguan (30–60 minit) bersama pasukan data: bawa soalan sebenar, selesaikan cepat

Budaya data terbina bila orang rasa data membantu kerja mereka—bukan menambah beban.

Pelan tindakan 90 hari: mula kecil, tapi kena tepat

Jawapan ringkas: jangan mula dengan 50 dashboard; mula dengan 1–2 keputusan penting yang anda mahu baiki.

Berikut pelan yang saya akan cadangkan untuk institusi yang mahu menyokong AI dalam pendidikan secara realistik:

Minggu 1–2: Pilih “use case” bernilai tinggi

Contoh yang sesuai untuk AI dan EdTech:

• amaran awal pelajar berisiko (berdasarkan corak LMS + kehadiran + penilaian)
• pemantauan keberkesanan intervensi (tuisyen, kaunseling, kelas sokongan)
• analisis beban pensyarah vs prestasi kursus

Pilih satu yang ada pemilik jelas dan impak besar.

Minggu 3–6: Bentuk asas tadbir urus data

Minimum yang perlu ada:

• Data owner (pemilik keputusan)
• Data steward (penjaga definisi/kualiti)
• proses kelulusan akses data
• definisi metrik yang dipersetujui

Kalau tiada governance, AI akan jadi projek “siapa paling kuat bersuara”.

Minggu 7–10: Integrasi data teras untuk use case itu

• kenal pasti 2–3 sumber data sahaja (jangan terlalu banyak)
• bina pipeline yang boleh diaudit
• buat pemeriksaan kualiti (missing values, duplikasi, ID mismatch)

Minggu 11–13: Dashboard + tindakan (bukan paparan sahaja)

Pastikan output menjawab:

• siapa perlu bertindak?
• bila perlu bertindak?
• intervensi apa yang disyorkan?

AI dalam pendidikan yang berguna ialah AI yang berakhir dengan tindakan yang jelas, bukan graf yang cantik.

Soalan lazim yang patut dijawab awal (supaya projek AI tak tersangkut)

“Siapa pemilik data?” Pemiliknya biasanya unit yang bertanggungjawab terhadap proses. Tetapi akses dan standard mesti institusi-wide.

“Perlu data warehouse besar dulu?” Tak semestinya. Banyak institusi berjaya dengan pendekatan berfasa: mulakan dengan integrasi teras untuk satu use case, kemudian besarkan.

“Macam mana nak jaga privasi pelajar?” Tetapkan pengelasan data, RBAC, audit log, dan latih pengguna tentang penggunaan data beretika. Privasi bukan add-on—ia reka bentuk.

Budaya data ialah cerita sebenar di sebalik kejayaan AI dalam pendidikan

Bila institusi bercakap tentang AI pembelajaran diperibadikan, analitik pembelajaran, dan automasi EdTech, saya akan tanya satu perkara: data anda bersatu atau berpecah?

Kalau berpecah, anda masih boleh buat pilot AI—tetapi sukar untuk skala, sukar untuk dipercayai, dan mudah terdedah kepada risiko. Sebaliknya, bila budaya data dibina dengan kepimpinan yang konsisten, sistem bersepadu, governance yang jelas, dan literasi data yang praktikal, AI menjadi lebih tepat, lebih selamat, dan lebih berguna untuk pelajar serta staf.

Untuk siri “AI dalam Pendidikan dan EdTech”, ini ialah batu asasnya. AI yang hebat bermula dengan kerja yang nampak membosankan: definisi, integrasi, dan disiplin.

Langkah seterusnya: pilih satu use case AI yang paling penting untuk 2026, audit data yang diperlukan, dan bentuk governance minimum minggu ini. Kalau anda mulakan sekarang (21/12/2025), anda masih ada ruang yang cukup untuk masuk 2026 dengan asas yang kukuh.

Soalan terakhir untuk difikirkan: bila pengurusan meminta laporan penting esok, adakah institusi anda akan menghasilkan satu versi kebenaran—atau lima nombor yang bercanggah?