Lab #17 · firmansyarifuddin.id
Pada tulisan sebelumnya, saya membahas dua gagasan yang saling berhubungan. Dari W. I. B. Beveridge, kita belajar bahwa penelitian bukan sekadar menjalankan metode. Kemudian dari John Stuart Mill, persoalannya bergerak lebih jauh: setelah mengetahui sesuatu, kita masih harus bertanya, apa yang sebaiknya dilakukan dengan pengetahuan tersebut?
Sekarang muncul pertanyaan baru.
Kita hidup di masa ketika alat penelitian berkembang luar biasa cepat. Data tersedia dalam jumlah besar. Software statistik semakin mudah digunakan. Machine learning mampu menemukan pola. Artificial intelligence dapat membantu mencari literatur, menulis kode, menganalisis data, bahkan menawarkan kemungkinan hipotesis. Kalau mesin semakin pintar, apakah peneliti masih membutuhkan imajinasi? Menariknya, pertanyaan ini membawa kita kembali ke buku yang ditulis lebih dari tujuh puluh tahun lalu. Dalam The Art of Scientific Investigation (1950), Beveridge tidak hanya membicarakan eksperimen dan penalaran. Ia juga memberi tempat pada chance, intuition, imagination, dan kreativitas dalam proses penemuan ilmiah. Dan ternyata, ilmuwan modern masih membicarakan persoalan yang sama.
Metode Bisa Dipelajari, Pertanyaan Baik Tidak Mudah Diajarkan
Dalam pendidikan penelitian, kita cukup serius mengajarkan metode. Mahasiswa belajar menentukan desain penelitian, menghitung sampel, menyusun instrumen, melakukan analisis, dan menulis hasil. Semua itu penting. Tetapi ada satu kemampuan yang jauh lebih sulit diajarkan: bagaimana menemukan pertanyaan yang menarik?
Pada 2018, Allen Wilcox dan koleganya menulis di jurnal Epidemiology tentang peran kreativitas dalam ilmu pengetahuan. Mereka secara khusus kembali kepada Beveridge dan menilai gagasannya masih sangat relevan bagi epidemiologi modern.
Penelitian memang membutuhkan logika, objektivitas, dan ketelitian. Tetapi itu belum cukup.
Sebelum sebuah metode digunakan, seseorang harus terlebih dahulu melihat sesuatu yang layak dipertanyakan. Metode membantu kita menjawab pertanyaan.
Tetapi metode tidak selalu memberi tahu kita:
- pertanyaan apa yang seharusnya diajukan.
- Di sinilah intuisi dan kreativitas bekerja.
- Data Baru Belum Tentu Pengetahuan Baru
Pada 2023, John Hallsworth dan koleganya menerbitkan artikel Scientific Novelty Beyond the Experiment. Gagasannya menarik: kebaruan ilmiah tidak hanya lahir dari eksperimen atau pengumpulan data baru. Pengetahuan baru juga dapat muncul ketika seseorang:
- melihat kembali data lama,
- menghubungkan dua gagasan yang sebelumnya terpisah,
- menawarkan penjelasan berbeda,
- atau mengajukan pertanyaan baru terhadap fenomena yang sebenarnya sudah lama dikenal.
Artinya, kita dapat menghasilkan data baru tanpa menghasilkan pemahaman baru.
Sebaliknya, data yang sudah tersedia bertahun-tahun dapat menghasilkan pengetahuan menarik ketika dilihat dengan pertanyaan berbeda. Bayangkan kita memiliki data kinerja puluhan Puskesmas. Komputer dapat menghitung rata-rata, variasi, tren, atau mendeteksi outlier. Tetapi ketika satu Puskesmas memiliki hasil jauh berbeda dari yang lain, komputer tidak serta-merta menentukan: “Ini sesuatu yang penting untuk dipahami.”
Peneliti masih harus bertanya:
- Mengapa berbeda?
- Apakah datanya salah?
- Apakah cara kerjanya berbeda?
- Apakah ada karakteristik wilayah yang tidak kita perhatikan?
Angka menjadi pengetahuan ketika seseorang cukup penasaran untuk mempertanyakannya.
Imajinasi Bukan Berarti Mengarang
Kata imajinasi sering terasa lebih dekat dengan seniman daripada ilmuwan. Padahal Tom McLeish dalam The Poetry and Music of Science menunjukkan bahwa kreativitas dan imajinasi juga merupakan bagian penting dari aktivitas ilmiah. Tentu imajinasi ilmiah bukan berarti mengarang jawaban. Imajinasi justru membuka kemungkinan: “Bagaimana kalau sebenarnya penjelasannya bukan itu?” Misalnya pasien hipertensi tidak rutin kembali kontrol. Penjelasan yang paling mudah mungkin: “Pasien tidak patuh.”
Tetapi seorang peneliti dapat membayangkan kemungkinan lain. Bagaimana kalau jam pelayanan tidak cocok dengan jam kerja? Bagaimana kalau obat tidak selalu tersedia? Bagaimana kalau pasien berpindah fasilitas? Bagaimana kalau biaya transportasi menjadi hambatan?
Imajinasi tidak menentukan mana jawaban yang benar. Ia hanya membuat kita tidak terlalu cepat puas dengan jawaban pertama. Setelah itu, ilmu pengetahuan kembali bekerja: kemungkinan tersebut harus diperiksa dengan bukti.
Ada Bagian Penelitian yang Tidak Pernah Terlihat dalam Artikel
Ada Day Science, Ada Night Science
Itai Yanai dan Martin Lercher membedakan dua sisi dalam proses ilmiah.
Day science adalah bagian penelitian yang rapi dan sistematis: hipotesis dirumuskan, metode dipilih, data dianalisis, dan kesimpulan disusun. Inilah wajah penelitian yang biasanya kita lihat dalam artikel ilmiah. Tetapi sebelum semuanya menjadi rapi, sering ada proses lain yang jauh lebih berantakan.
Kita membaca sesuatu–> Menghubungkannya dengan gagasan lain –> Membuang satu dugaan –> Mencoba kemungkinan baru–> Berdiskusi dengan kolega.
Lalu tiba-tiba berpikir: “Sebentar, bagaimana kalau sebenarnya masalahnya ada di sini?”
Yanai dan Lercher menyebut sisi kreatif ini sebagai night science. Bukan berarti penelitian yang dilakukan pada malam hari. Night science adalah fase ketika ide belum sepenuhnya terstruktur, ketika intuisi, imajinasi, percakapan, dan hubungan-hubungan baru mulai terbentuk. Sementara day science membantu kita menguji dan membuktikan, night science membantu kita menemukan apa yang layak diuji.
Dan keduanya dibutuhkan.
Lalu Datanglah AI
Sekarang artificial intelligence dapat membantu hampir seluruh proses penelitian.
- Mencari literatur.
- Meringkas artikel.
- Menulis kode.
- Membersihkan data.
- Mencari pola.
- Mengusulkan analisis.
- Bahkan membantu membangun hipotesis.
Hallsworth dan koleganya melihat AI sebagai salah satu teknologi yang dapat memperluas kemampuan inovasi ilmiah. Tetapi mereka tetap menempatkan keterlibatan manusia sebagai bagian penting dari proses tersebut. Sebab persoalan penelitian tidak hanya: “Bisakah pola ini ditemukan?” Tetapi juga:
“Mengapa pola ini penting?”
“Apa yang aneh dari hasil ini?”
“Apakah penjelasan kita masuk akal?”
Dan terutama: “Apakah ini sesuatu yang layak diketahui?”
AI dapat membantu kita melihat lebih banyak. Tetapi melihat lebih banyak tidak otomatis berarti memahami lebih banyak.
Risiko Baru: Menjadi Operator Penelitian
Mungkin inilah risiko penelitian pada era teknologi. Dulu seorang peneliti dapat terjebak menjadi pelaksana eksperimen. Hari ini kita bisa terjebak menjadi: operator software, operator dataset, atau operator AI.
Masukkan data. Klik analisis. Ekspor tabel. Minta AI membuat interpretasi.
Selesai.
Secara teknis penelitian mungkin berjalan. Tetapi pekerjaan ilmiah yang paling penting justru bisa hilang: berpikir. Karena alat secanggih apa pun tidak membebaskan kita dari kewajiban mempertanyakan apa yang sedang kita kerjakan.
Jadi, Apa yang Masih Menjadi Pekerjaan Peneliti?
Mungkin pada masa depan, menjadi peneliti semakin tidak ditentukan oleh siapa yang paling cepat menghitung atau paling hafal menu software. Mesin akan semakin baik melakukan pekerjaan tersebut.
Peran manusia justru semakin penting pada bagian yang lebih mendasar:
melihat masalah yang penting, mengenali sesuatu yang janggal, memahami konteks, menghubungkan gagasan, meragukan asumsi, dan mengajukan pertanyaan yang belum terpikirkan. Tujuh puluh tahun setelah Beveridge menulis The Art of Scientific Investigation, alat penelitian berubah luar biasa jauh.
Tetapi pertanyaan dasarnya ternyata belum banyak berubah.
Kita masih harus melihat.
Bertanya.
Membayangkan kemungkinan.
Menguji.
Berdiskusi.
Dan terkadang mengatakan:
“Ternyata dugaan saya salah.”
AI mungkin akan membantu hampir semuanya. Tetapi jangan sampai kemudahan menggunakan alat membuat kita lupa tujuan penelitian. Tujuan penelitian bukan menghasilkan semakin banyak analisis. Bukan semakin banyak tabel. Bahkan bukan semata-mata semakin banyak publikasi. Tujuannya tetap lebih sederhana sekaligus lebih sulit: menemukan sesuatu tentang dunia yang sebelumnya belum kita pahami – dan cukup penting untuk layak diketahui.
Sumber Bacaan
- Beveridge, W. I. B. (1950). The Art of Scientific Investigation. W.W. Norton & Company.
- Wilcox, A. J., Cortese, M., Baravelli, C. M., & Skjaerven, R. (2018). When Intuition Invites the Analytical Mind to Dance—The Essential Role of Creativity in Science. Epidemiology, 29(6), 753–755. DOI: 10.1097/EDE.0000000000000913.
- McLeish, T. (2019). The Poetry and Music of Science: Comparing Creativity in Science and Art. Oxford University Press.
- Hallsworth, J. E., et al. (2023). Scientific Novelty Beyond the Experiment. Microbial Biotechnology, 16(6), 1131–1173. DOI: 10.1111/1751-7915.14222.
- Yanai, I., & Lercher, M. J. (2024). It Takes Two to Think. Nature Biotechnology, 42, 18–19. DOI: 10.1038/s41587-023-02074-2.