Penggunaan large language models (LLM) berbasis kecerdasan buatan (AI) telah mengubah cara masyarakat mencari informasi. Berbagai jenis AI seperti ChatGPT, Gemini, dan Microsoft Copilot menjadi perantara dalam mesin pencari atau asisten digital. Peran tersebut membuat jawaban AI dianggap netral dan objektif. Anggapan ini perlu ditinjau karena LLM belajar dari data yang sama sekali tidak netral, data yang menyimpan bias gender, ras, dan disabilitas. Respons yang tampak wajar dapat menyimpan pandangan yang dapat merugikan kelompok tertentu.
Ableism merupakan bias yang jarang tampak dalam keluaran LLM. Ableism menjadi sistem nilai yang menempatkan kondisi tanpa disabilitas sebagai norma manusia dan memandang penyandang disabilitas sebagai pihak yang lebih rendah atau tidak normal. Bias tidak selalu hadir melalui hinaan. Ableism dapat muncul dalam narasi yang menjadikan disabilitas sebagai tragedi, beban, ketergantungan, atau hambatan. Pola tersebut sulit dikenali oleh penyaring konten yang berfokus pada ujaran kasar dan kebencian langsung.
Nada positif tidak secara otomatis menghasilkan representasi disabilitas yang setara. Penelitian menunjukkan bahwa narasi LLM kerap menempatkan penyandang disabilitas sebagai objek belas kasihan atau sumber inspirasi bagi orang tanpa disabilitas. Representasi ini dikenal sebagai inspiration porn. Kata-kata yang menyemangati sekalipun tetap bermasalah ketika nilai sebuah kehidupan diukur dari seberapa gagah seseorang “mengalahkan” keterbatasannya. Analisis sentimen yang hanya membaca nada berisiko menyamakan bahasa positif dengan ketiadaan ableism.
Studi ini menelaah persoalan tersebut melalui 360 respons dari ChatGPT, Gemini, dan Microsoft Copilot. Rancangan penelitian memadukan lima jenis disabilitas, tiga kelas sosial, empat konteks narasi, dan dua bahasa. Jenisnya mencakup gangguan penglihatan, gangguan pendengaran, pengguna kursi roda, autisme, dan skizofrenia. Kelas sosialnya meliputi bawah, menengah, dan atas. Konteksnya meliputi deskripsi persona, rutinitas harian, interaksi sosial atau profesional, serta aspirasi masa depan. Setiap model menjawab pertanyaan dalam bahasa Inggris dan bahasa Indonesia.
Analisis menggabungkan empat cara baca agar ableism tidak dinilai dari bahasa. Analisis sentimen berbasis leksikon mengenali nada positif, netral, atau negatif. Pemodelan topik memetakan pola kata berulang. Tiga analis menafsirkan tema melalui kata kunci dan respons lengkap agar maknanya tetap kontekstual. Tiga penilai memeriksa respons positif dan negatif dengan skala satu sampai lima. Hasilnya dikelompokkan menjadi non-ableist, partially ableist, dan ableist. Analisis sentimen memperlihatkan dominasi nada positif dalam kedua bahasa. Sebanyak 169 dari 180 respons berbahasa Inggris atau 93,9% tergolong positif, sedangkan 11 respons atau 6,1% negatif. Respons berbahasa Indonesia lebih beragam. Sebanyak 141 respons atau 78,3% positif, 28 respons atau 15,6% negatif, dan 11 respons atau 6,1% netral. Sebaran tersebut belum menjelaskan kualitas representasi disabilitas. Penilaian manusia menemukan persoalan yang tidak terlihat melalui analisis sentimen. Dari 349 respons, 65,3% tergolong non-ableist, 21,5% ableist, dan 13,2% partially ableist. Dominasi sentimen positif tidak menjamin hilangnya gambaran yang merendahkan, membatasi, atau mengobjektifikasi penyandang disabilitas. Bahasa yang positif perlu dibaca bersama asumsi, posisi sosial, dan arah cerita yang dibangun.
Proporsi Kelas Sosial Ableism
Kelas sosial menjadi pembeda paling jelas dalam representasi LLM. Skenario kelas bawah menghasilkan proporsi ableist sebesar 64,9%. Angka itu turun menjadi 2,5% pada kelas menengah dan nol pada kelas atas. Kategori partially ableist paling banyak muncul pada kelas bawah, yaitu 27,9%, dibandingkan 10,2% pada kelas menengah dan 2,5% pada kelas atas. Respons non-ableist mencapai 97,5% pada skenario kelas atas. Perbedaan ini menunjukkan bahwa LLM tidak menggambarkan disabilitas secara terpisah dari kelas sosial. Model mengaitkan akses pekerjaan, teknologi, layanan kesehatan, dan masa depan dengan posisi ekonomi. Narasi kelas atas lebih sering menggambarkan otonomi dan peluang hidup. Narasi kelas bawah lebih sering menggambarkan partisipasi terbatas dan ketergantungan. Audit tanpa variasi kelas sosial berpotensi melewatkan bias interseksional.
Jenis disabilitas turut membentuk tingkat ableism dalam respons LLM. Skizofrenia mencatat proporsi ableist tertinggi sebesar 31,4%, disusul pengguna kursi roda 23,2% dan autisme 20,3%. Gangguan pendengaran mencatat 17,1%, sedangkan gangguan penglihatan 15,5%. Kajian stigma mengaitkan skizofrenia dengan anggapan bahaya, ketidakpastian, dan jarak sosial. Setiap jenis disabilitas memiliki sejarah stigma berbeda sehingga tidak tepat dinilai sebagai kategori tunggal. Perbedaan antarmodel muncul walaupun ketiga sistem lebih banyak menghasilkan respons non-ableist. Gemini memiliki proporsi ableist tertinggi sebesar 30,8%, diikuti ChatGPT 20 persen dan Copilot 13,7%. Copilot mencatat kategori partially ableist tertinggi sebesar 17,1%. Hasil ini tidak menghasilkan peringkat model teraman. Setiap model menghasilkan beragam gambaran bermasalah dan ambigu yang memerlukan pembacaan kontekstual.
Tema narasi memperjelas ableism. Respons negatif memuat ableism dalam cerita tentang beban sensorik, hambatan mobilitas, lingkungan tidak ramah, akses formal terbatas, serta akses profesional yang dipengaruhi kelas sosial. Ableism juga muncul dalam respons positif ketika aspirasi, partisipasi, dan arah hidup digantungkan pada sumber daya ekonomi. Representasi cenderung tidak merugikan ketika partisipasi dijelaskan melalui teknologi personal, fasilitas aksesibilitas, dukungan institusi, dan perawatan berkelanjutan. Bahasa bukan sumber utama perbedaan ableism pada studi ini. Respons bahasa Inggris memuat 23,9% ableist dan 14,4% partially ableist. Respons bahasa Indonesia memuat 18,9% ableist dan 11,8% partially ableist. Pengujian terhadap pertanyaan identik menunjukkan korelasi positif yang kuat antara skor kedua bahasa. Pertanyaan dengan skor lebih tinggi dalam bahasa Inggris cenderung memperoleh skor lebih tinggi dalam bahasa Indonesia. Pola ini menunjukkan konsistensi bias pada dua bahasa yang diuji.
Temuan-temuan ini menunjukkan bahwa ableism dalam respons LLM bersifat interseksional, bukan bias tunggal yang berdiri sendiri. Kelas sosial menjadi pembeda paling tajam, sementara jenis disabilitas dan model yang digunakan dapat menghasilkan risiko yang berbeda-beda. Dominasi sentimen positif pada kedua bahasa juga tidak menjamin rendahnya ableism, karena lebih dari seperlima respons yang dinilai tetap tergolong ableist, termasuk sebagian yang bernada positif. Pola ini menegaskan bahwa kesantunan bahasa saja tidak cukup dijadikan indikator representasi yang adil bagi penyandang disabilitas.
Representasi disabilitas yang adil menuntut pemeriksaan atas cara LLM menyusun makna, bukan sekadar nada bicaranya. Jawaban yang optimistis belum tentu memberi ruang bagi agensi, pilihan, dan partisipasi penyandang disabilitas. Pengembang, peneliti, dan pengguna perlu menilai siapa yang diposisikan mampu, siapa yang digambarkan bergantung, serta kondisi sosial yang dianggap menentukan masa depan mereka. Sikap kritis semacam ini mendorong penggunaan LLM yang lebih inklusif dan mencegah ableism yang halus diterima begitu saja sebagai bahasa yang wajar.
Penulis: Fitri Mutia, Alf Arira Ananta Aysya, Faisal Fahmi, dan Ragil Tri Atmi
Link Artikel: https://doi.org/10.3390/socsci15070470
