Panduan Peneliti: Cara Menghindari Bias AI dalam Sintesis Literatur

Para peneliti yang menggunakan alat AI untuk sintesis literatur menghadapi paradoks: model yang sama yang bisa memangkas waktu screening hingga setengahnya juga bisa secara diam-diam memperkuat bias yang seharusnya mereka hilangkan. Temuan yang konsisten dari berbagai studi dan panduan institusi menunjukkan bahwa AI bukanlah pengganti penilaian manusia, melainkan asisten yang terkalibrasi, dan bahwa menghindari bias membutuhkan pengawasan manusia yang metodis, pelaporan yang transparan, dan validasi yang ketat di setiap langkah .

Prinsip Inti untuk Sintesis Berbantuan AI yang Bebas Bias

Manusia tetap dalam kendali

Alat AI harus membantu, bukan menggantikan, penilaian manusia. Tim peninjau tetap bertanggung jawab penuh atas ketelitian, validitas, dan pelaporan tinjauan mereka . Kunci keberhasilan adopsi AI adalah menciptakan alat yang andal yang bekerja dengan peninjau, bukan menggantikan mereka .

Ikuti protokol yang terdaftar dan transparan

Tinjauan sistematis (systematic review) dikembangkan secara khusus untuk mengurangi bias melalui protokol yang ketat dan telah ditentukan sebelumnya . Penggunaan AI tidak membebaskan peneliti dari hal ini — sebaliknya, penggunaannya justru menuntut lebih banyak dokumentasi, bukan lebih sedikit.

Langkah Praktis untuk Memitigasi Bias Spesifik

Waspadai bias seleksi dalam screening

Model bahasa besar (LLM) mungkin secara sistematis menyukai atau mengecualikan jenis studi, bahasa, atau hasil tertentu. Peneliti harus membandingkan keputusan screening AI dengan standar emas yang ditetapkan manusia untuk mengkalibrasi hal ini .

Waspadai bias konfirmasi dan publikasi

Sistem machine learning sering dilatih pada kebijaksanaan konvensional dan literatur yang sudah dipublikasikan, yang sudah condong ke arah hasil positif. Ini dapat secara diam-diam memperkuat bias yang sudah ada dalam basis bukti .

Validasi keluaran AI terhadap penilaian manusia

Jangan menerima begitu saja studi, data yang diekstrak, atau penilaian risiko bias yang disarankan AI. Periksa silang sampel acak yang substansial secara manual .

Gunakan AI hanya untuk tugas yang dirancang dan divalidasi secara khusus

Jangan pernah menerima saran dari model di luar domain yang terlatih, dan selalu periksa ulang pekerjaannya .

Standar Transparansi dan Pelaporan

Ungkapkan setiap alat AI yang digunakan, termasuk versi dan perannya

Pada tahun 2025, Cochrane, Campbell Collaboration, JBI, dan Collaboration for Environmental Evidence secara bersama-sama mengeluarkan pernyataan yang mewajibkan semua penggunaan AI dalam sintesis bukti dilaporkan secara terbuka .

Ikuti pedoman pelaporan yang muncul

Pedoman tiga pilar untuk AI yang bertanggung jawab dalam tinjauan sistematis menyerukan retrieval-augmented generation (RAG) dengan atribusi sumber yang dapat diverifikasi, memposisikan AI sebagai "mitra yang terkalibrasi" daripada pengganti .

Atasi kesenjangan dalam pelatihan dan standar

Transparansi yang lebih baik, standar pelaporan yang lebih jelas, dan pelatihan pengguna yang lebih intensif sangat diperlukan untuk mendukung adopsi AI yang bertanggung jawab dalam sintesis bukti .

Intinya

AI dapat mengurangi beban kerja manual sebesar 50–75% di seluruh screening literatur, ekstraksi data, dan penilaian risiko bias tanpa mengorbankan akurasi setingkat PRISMA — jika dipasangkan dengan pengawasan peneliti . Namun, studi yang sama menegaskan bahwa AI memperkenalkan biasnya sendiri (bias seleksi, bias konfirmasi, bias data pelatihan). Penawarnya adalah pengawasan manusia, pelaporan transparan, dan validasi yang ketat. Jangan pernah mendelegasikan pemikiran kritis kepada alat.