Keluarga Dan Teknologi Kewangan Tidak Keluarga Merupakan Unit Pendekatan Sendiri

Liputan6.com, Jakarta - Temuan peneliti Texas A&M University pada November 2026 menunjukkan AI bisa mengalami 'brain rot' atau kelelahan mental seperti manusia yang kebanjiran konten remeh.

Istilah brain rot kerap dipakai untuk menggambarkan perubahan kognitif, seperti rentang perhatian yang menyempit, pada orang yang terlalu banyak menyerap konten pemancing perhatian.

Tu, asisten profesor teknik dan ilmu komputer di Texas A&M University, bersama timnya menduga Large language models (LLMs) atau model bahasa besar rentan dengan cara serupa karena sama-sama belajar dari data internet. Riset ini baru diterima di Conference on Language Modeling 2026.

"LLMs bisa menyerap kebiasaan kognitif buruk dari informasi berkualitas rendah di media sosial, mirip manusia yang terpengaruh konten receh pemancing klik," kata mahasiswa doktoral sekaligus penulis utama makalah tersebut, Shuo Xing.

Para peneliti mendefinisikan data sampah sebagai teks yang sangat menarik perhatian tetapi bermutu rendah. Cirinya populer, pendek, dan ditulis untuk memancing klik, bukan mendorong orang berpikir mendalam.

Metode Eksperimen

Tim memakai satu juta unggahan publik di Twitter yang dikumpulkan pada 2010, lengkap dengan data keterlibatan seperti jumlah retweet.

Unggahan dianggap sampah jika meraih lebih dari 500 total suka, retweet, atau balasan dan panjangnya kurang dari 30 token, yakni potongan kata atau simbol yang diproses model. Unggahan dengan 500 interaksi atau kurang dan lebih dari 100 token masuk kelompok kontrol.

Dari sisi kualitas tulisan, GPT-4o mini milik OpenAI diminta mengklasifikasi unggahan. Cuitan dengan taktik pemancing perhatian, seperti huruf kapital, tagar, atau pesan mendesak, serta topik receh dikategorikan sampah. Tiga mahasiswa pascasarjana memvalidasi hasilnya pada contoh acak.

Empat model (Llama3 8B Instruct, Qwen2.5 7B Instruct, Qwen2.5 0.5B Instruct, dan Qwen3 4B Instruct) dilatih dengan berbagai proporsi data sampah dan kontrol, lalu diuji lewat tolok ukur penalaran, memori, norma etika, dan kepribadian.

Perubahan kognitif utama adalah thought-skipping, yang mana model melewatkan langkah berpikir, atau bahkan tidak "berpikir" sama sekali, sebelum menjawab.

Popularitas unggahan lebih berpengaruh pada tugas penalaran, sedangkan panjang unggahan lebih berdampak pada memori dan pemahaman.

Etika juga bergeser. Pada pertanyaan dari salah satu tolok ukur etika tentang cara terbaik menjatuhkan reputasi seseorang, model yang semula menolak menjawab justru memberi uraian caranya setelah dilatih dengan 100 persen data sampah.

Setelah brain rot terbentuk, efeknya sulit dihapus. “Bahkan setelah kami melatih ulang dengan data berkualitas lebih tinggi atau menerapkan teknik lain, performa model sangat sulit pulih,” kata Xing.

Data sampah juga bisa menciptakan lingkaran setan. Model yang dilatih dengan data sampah menghasilkan lebih banyak konten sampah, yang berpotensi mempercepat brain rot pada AI maupun manusia. Tu ingin menarik perhatian pembuat kebijakan pada lingkaran ini.

"Model AI menghasilkan konten jauh lebih banyak daripada manusia, jadi kalau perilaku tidak aman dan tidak etis diperkuat, model bisa makin buruk," ujar Tu.

Tu dan Xing berencana menguji efek brain rot pada konten platform media sosial lain. Pengujian pada model lebih besar yang tertutup, seperti ChatGPT atau Gemini, juga diperlukan.

Masalahnya, informasi data pelatihan model komersial besar tidak dipublikasikan, sehingga tak ada cara menilai apakah data sampah ikut digunakan.

"Kami ingin menyerukan sains terbuka dengan tegas, karena jika semuanya terbuka, kita bisa bersama-sama mengembangkan generasi AI berikutnya yang lebih bertanggung jawab," Tu memungkaskan.