Дизайн на учебната програма

Автоматичен машинен превод на тази английска страница, който още не е проверен от носител на езика.

Дизайнът на учебната програма — процесът на планиране и структуриране на това какво се преподава в курсове, програми и институции, включително учебни цели, подреждане на съдържанието, стратегии за оценяване и прогресия на уменията. В ерата на AI дизайнът на учебната програма трябва да балансира фундаменталното знание с нововъзникващите AI компетентности, определяйки не само какво учат студентите, но и как се учат да работят с AI инструменти и да ги оценяват критично.

Въпроси за размисъл

• Дизайнът на учебната програма пита какво трябва да научат студентите на ниво програма, докато дизайнът на обучението пита как на ниво курс. Когато AI преоформя една дисциплина, кой от тези два слоя според вас трябва да се промени първи?
• Тъй като генеративният AI автоматизира работата на ниво реализация, някои твърдят, че учебните програми трябва да се насочат към системния дизайн, абстракцията и критичното оценяване. Какво според вас биха загубили студентите, ако уменията на ниско ниво бъдат омаловажени?
• Препроектирането на учебната програма в ерата на AI често се рамкира като баланс между свободното боравене с инструменти и фундаменталното знание. Къде сте виждали този баланс да се накланя твърде далеч в една посока?
• Рамката SAIL третира AI грамотността като скафолдвана през възрастите и проектирана да адресира по-дълбоки „цифрови разделения“ отвъд достъпа. С какво вграждането на AI грамотност в цяла учебна програма се различава от добавянето на един курс по AI?
• Ако всяка дисциплина сега се нуждае от вградени AI компетентности, кой отговаря за промяната на учебната програма — преподавателите, програмите или институциите — и от какво се нуждаят преподавателите, за да успеят?
• Учебната програма е последователност от умения през годините, а не просто списък от теми. Как този по-дълъг поглед променя дали една „единица за AI грамотност“ действително се задържа?

Въведение

Дизайнът на учебната програма адресира какво се преподава на ниво програма, допълвайки Дизайн на обучение, който адресира как на ниво курс. Статиите в тази база знания изследват как AI преоформя учебните програми в различни дисциплини — от софтуерното инженерство до архитектурата до „зеленото“ образование — и как преподавателите проектират учебни програми, които вграждат AI грамотност, без да жертват дисциплинарните основи.

Ключови изследователски теми

Препроектирането на учебните програми за ерата на AI е централното предизвикателство. Lee et al. синтезираха находки от международни работни срещи за препроектиране на бакалавърското образование по информатика, твърдейки, че тъй като GenAI автоматизира програмирането на ниво реализация, учебните програми трябва да се насочат към системния дизайн, абстракцията и критичното оценяване — като същевременно омаловажават детайлите на реализацията на ниско ниво. Gorsky формализира агентното софтуерно инженерство като отделна дисциплина с 21-модулна учебна програма, съсредоточена върху „еволюцията на намерението“ и практическата дисциплина, необходима за управление на AI агенти. Двете се свързват с AI грамотност и Scaffolding.

Преглеждайки промяната като системна, а не като добавъчна, Sabani et al. (2026) триангулират обзорен преглед, библиометрично картографиране на 209 записа, 36 статии и десет интервюта с академични лидери в пет промени — включително предаването на знание, отстъпващо място на развитието на способности, и локалният експеримент, отстъпващ на институционалното управление.

Картографирането и анализът на учебната програма използват AI, за да разберат съществуващите учебни програми. Geng et al. анализираха 23 учебни програми от курсове по софтуерно инженерство с помощта на AI, идентифицирайки общи теми — подканване, преглед на код с AI, етични съображения — и извеждайки дизайнерски насоки, които наблягат на баланса между свободното боравене с инструменти и фундаменталното знание. CourseGraph прилага изчислителни методи за сравняване на структурите на курсовете по информатика между институциите.

Тегловните коефициенти променят това, което анализът на учебната програма съобщава: Jayalath et al. (2026) накараха GPT-o3-mini да разпредели 100% между седем умения за предприятието за всяка от 48 оценки, достигайки Krippendorff's alpha от 0,81 спрямо експертните тегла, но съгласието стана отрицателно за умения, които описанията никога не посочват явно (-0,19).

Модулната структура надживява текущото съдържание. Повтаря се модел, при който областта се движи по-бързо от цикъла на преглед: стабилно ядро от AI грамотност, критична оценка, откриване на пристрастия и етика, със съдържание за специализирани и локално налични инструменти, прикрепено като модули и преразглеждано на всеки шест до дванадесет месеца (Bursic et al. (2026)). Посоченият случай е следдипломното медицинско образование, но принципът се обобщава: програмата се ангажира с компетентности, които преживяват смяната на инструментите, и планира слоя, специфичен за инструментите, за подмяна.

Интеграцията на AI грамотността вгражда AI компетентности в дисциплините. SAIL предоставя скафолдвана рамка за AI грамотност, приложима за всички възрасти и образователни етапи, адресираща цифровите разделения от второ и трето ниво. Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing изследва как AI грамотността се развива чрез модели на взаимодействие. Systematic review of collaborative learning activities for promoting AI literacy изследва сътруднически подходи към разработването на учебна програма по AI грамотност, свързвайки се с Collaborative Learning.

LearnAI показва как изглежда вградената версия: широк слой на експозиция от кратки презентации в 18 съществуващи курса в пет дисциплини (293 студенти), съчетан с незадължителни сесии за съвместно създаване едно към едно, водени от обучени студенти-връстници-наставници, така че обучаемите със смесени способности срещат AI задачите на своето ниво (Qu et al. (2026)).

Интеграцията на практика изостава от рамките. Santos-Albardía et al. (2025) установиха, че само 13,8% от анкетираните студенти по образование и журналистика казват, че курсовата им работа е обхващала критичен медиен анализ, срещу 97,8%, които го оценяват като важно, а експертните им интервюта проследяват пропуска до подготовката на учители, която дава приоритет на техническите и инструкционните умения пред медийното образование.

PRISMA преглед на 39 STEAM изследвания (2016–2025) установи паралелен дисбаланс в елементите на AI грамотността: реализациите развиваха технически грамотности — фундаментални AI концепции, изчислително мислене, грамотност за данни — докато недоразвиваха етичното осъзнаване, творческото въображение и създаването, управлението и проектирането с AI, така че одитът на всяка единица спрямо тях е практичният отговор (Niri et al., 2026).

Ученическият глас е друг вход за дизайна: 84% от 166 студенти по бизнес в последна година искаха GenAI да се преподава в техните модули, а 85% го виждаха като съществено за пригодността за работа, докато само 7% бяха учили за него от своя университет (Rook & Plumb (2026)).

Преглед на 42 изследвания върху предуниверситетското AI образование установява, че учебните програми се движат от техническо съдържание към компетентностни модели, изградени върху рамки като AI4K12 и Five Big Ideas in AI, като AI грамотност се третира като междупредметна компетентност, докато стандартизираните инструменти за оценяването ѝ остават отсъстващи (Caruana et al. (2026)).

Преподавателите и работодателите се съгласиха за важността само на едно от 26 AI умения — поставянето на реалистични очаквания за работата, подпомогната от AI — а само три от 26 се преподават от половината или повече преподаватели, което е доказателството в доклада за пропуск в AI уменията между висшето образование и работодателите (Fried (2026)).

Дизайнът на ML дейности в K-12 остава на повърхността: преглед зад рамката ICE-T установи, че невидимото използване, взаимодействието с бутони и внедряването на модели съставляват почти 60% от кодираните дейности по контролирано обучение, отвореното създаване се появи само два пъти, а техническата и обществената перспектива се срещат заедно в едва около 3% от дейностите (Haritz et al., 2026).

Дисциплинарно-специфичните иновации в учебната програма прилагат дизайна на учебната програма към конкретни области. Gen-AI-tecture: using generative AI to support architectural students in design tasks изследва как генеративният AI преоформя архитектурната дизайнерска педагогика. The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints изследва интеграцията на AI в учебните програми за „зелено“ образование. ConnectED: A curriculum-aligned AI system for Vietnamese instructional lesson planning and student learning и LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example адресират културно-отзивчивия дизайн на учебната програма.

Вградете AI в дисциплината, а не до нея. Тристепенна (въвеждаща, приложна, напреднала) AI учебна програма вгради машинното обучение в съществуващи теми по топлотехника в рамките на 39,1-часов курс, вместо да добавя избираеми курсове по информатика, избягвайки допълнително натоварване на студентите по машинно инженерство и публикувайки открито своята учебна програма, данни и код (Li et al. (2026)).

Случай от журналистиката показва варианта с ценностите на първо място: триаден скелет „ценности–процеси–компетентности“ придвижи студентите от репортаж само с човешко участие към AI-интегрирана работа, но 8 от 9 (89%) съобщиха увереност в етичните решения, докато анкетните пунктове за авторство и пристрастие предполагаха само повърхностно разбиране (Ngu и Weller (2026)).

Институционалните рамки адресират промяната на учебната програма в мащаб. A principled way to think about AI in education: guidance for educators and policy makers on action based on goals, models of human learning, and use of technologies и A principled way to think about AI in education: guidance for educators and policy makers on action based on goals, models of human learning, and use of technologies предоставят принципи за интегриране на AI в образователните програми. The Main Barrier to AI Adoption in the Public Sector is Lack of Training изследва пречките пред приемането на AI учебни програми в образованието в публичния сектор.

Подреждането на AI през програмата. Torres-Sahli et al. предлагат рамка „задръж, после усили“ (refrain, then amplify), която подрежда генеративния AI на ниво програма: задръж генеративен инструмент, докато дадена способност се формира, после го върни, за да усили тази способност, след като студентът може да го насочва и да съди за възвръщаемостта му. Управлявана от критерий „формиране срещу изнасяне“ (дали даден участък работа изгражда способност или просто я прекарва през инструмента), рамката свързва дизайна на учебната програма с Когнитивно изнасяне, Self-Regulated Learning и Академична почтеност, с трудно имитируеми контролни точки при всяка връзка задръж–усили.

Лостът за най-високите етапи не е повече курсова работа: в 89 спонсорирани капстоун проекта напредъкът от ниво 6 към ниво 7 на готовност за работната сила беше ограничен от вграден в индустрията опит — кооперативни програми и проекти по Manufacturing Extension Partnership — така че дипломите се нуждаят от учене, интегрирано с работа, а не от още един технически избираем курс (Smith et al. (2026)).

Последица на ниво учебна програма от способността на моделите е, че дизайнът, устойчив на AI, изтича. Преподаватели по информатика описаха как калибрират задачите спрямо това, което моделите все още не могат, и как калибрирането се изчерпва — задачите на един преподавател по киберсигурност изискваха истинско решаване на проблеми седем или осем месеца по-рано и после просто се решаваха — като фасилитатор оцени срока на годност на около един семестър. Структурната находка на работната среща е, че почти всяка адаптация беше направена от отделен преподавател в рамките на един курс, без институционалната координация, която една трайна учебна реакция би изисквала (Akbar et al., 2026).

Цялостно подравняване на курса, когато генеративният AI е разрешен. Препроектиране от 2026 г. на встъпителен курс по ядрена и елементарна физика (Mikhasenko et al.) интегрира три типа дейности с различни роли — лекции за концепциите и нотацията, упражнения за стандартна аналитична практика и домашна работа като изследователски оформен, „подобен на проучване“ компонент от необичайно трудни задачи с множество методи. Съобщената фрикция (недекларирана предпоставка за програмиране, недостатъчно време за разбиране, а не само за получаване на отговори, и несъответствие между лекции, упражнения, домашна работа и изпит) илюстрира, че разрешаването на генеративния AI налага работа по подравняване на цялата учебна програма, а не промяна на един тип задача; препоръчаната им структура запазва разрешената изследователска работа с AI като напреднали задачи с бонус точки, докато неподпомогнатият писмен изпит определя оценката.

Дълбочината на подравняването, а не честотата на използване, отличава моделите на интеграция. В 17 случая на бизнес модули шест вградиха GenAI систематично в преподаването, ученето и оценяването (конструктивно), девет го направиха непоследователно (смесено) и два спорадично (ad hoc); конструктивните случаи съобщиха най-силни резултати по ангажираност, способности и релевантност на учебната програма (Zhou et al. (2026)).

Съветът за конструктивно подравняване под критичен поглед. Докато източниците по-горе съобщават за подравняването на практика, McInnes et al. (2026) четат самото ръководство като дискурс. Техният критичен дискурсен анализ на 14 текста от „сива“ литература, публикувани от ноември 2022 до април 2025 г. — главно институционални страници и глави от централно позиционирани звена за учене и преподаване — установи, че конструктивното подравняване се представя като проблем на ефективността: генеративният AI беше „ефективен и ефикасен начин да се изготвят рубрики“, който може да „рационализира процеса“, антропоморфизиран като „образователен експерт и асистент“, „спаринг партньор“ или „интелигентен асистент в инструкционния дизайн“, докато академичният персонал осигуряваше само „експертиза по предмета“, а инструментът пое „тежката работа по разработването на учебни цели, организирането на съдържанието на курса ... и подравняването на компонентите на курса“. Рецепти за подкани тип „копирай и постави“ и номерирани шаблони рамкираха КП като стандартизируем продукт, пораждайки три режима на провал: перформативност (подравняване, което само изглежда подравнено), заличаване на ситуирания и критичен контекст и плитко КП, което смесва подравняването с конструктивното измерение. Тяхното решение преподрежда работния процес на дизайна на учебната програма — преподавателите трябва да разбират КП достатъчно добре, за да насочват, оценяват и отхвърлят резултата на AI, преди да делегират каквато и да е част от него — и ограничава всеки инструмент до институционален агент с извличане, основан на местната политика, рубрики и атрибути на завършилите, с роля на „лиминален преподавател“, която разширява, а не заменя връзката с разработчика.

Генериране на задачи за моделиране, подравнени с учебната програма. AI платформите могат да адресират липсата на време и ресурси у учителите за проектиране на качествени задачи по математическо моделиране, като генерират подравнени с учебната програма проблеми и педагогически препоръки, основани на дизайнерски принципи и генериране с извличане — подход, илюстриран с пряка вариация в средното училище по математика (Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics). Самите учебни четива също вече са цел за генериране: Sidorkin (2026) замени търговски учебник със седмични генерирани от AI четива в следдипломен курс по образователно лидерство и макар студентите да ги оцениха като полезни и 75 процента да се съгласиха, че са научили повече, отколкото в сравним курс, 4 487 страници логове съдържаха цитати в текста по APA стил само на около 0,80 процента от страниците и съчетаваха посочен кампус или система с уверени твърдения за политики на около 1,03 процента от страниците без проверим източник. Урокът за учебните материали е да се третират генерираните четива като чернова продукция под преглед на преподавател, да се предвиди трудът на преподавателя за дизайн на подкани и проверка и да се курират проверени източници в асистента, вместо качеството на източника да се оставя на студентите да го извеждат от контекста.

AI-подпомогнато планиране на уроци на слоя учебна програма–класна стая. В точката, в която учебната програма става преподаван урок, Luo и Tahir (2025) експериментално сравняват генерирани от учител планове с планове, подпомогнати от ChatGPT, в детското STEAM образование по изкуства, установявайки, че AI-подпомогнатите планове бяха оценени значително по-високо от шест експертни професори (медиана 20,5 срещу 17,6, p = 0,002, голям ефект). Те показват, че ползата зависи от това как учителят делегира: препоръчаният метод запълва пропуски в съдържанието в самостоятелно очертан урок (запазвайки дизайнерската самостоятелност на учителя), вместо да делегира целия план. Те също допринасят с шаблон за подкана „Роля–Инструкции–Крайна цел“ за възпроизводимо, качествено контролирано генериране — доказателство, че AI планирането на уроци е най-силно, когато е вградено в решенията на учителя за учебната програма, а не ги замества. В научното образование експертната валидация достига до паралелна присъда за дизайна на платформата: Karaismailoglu, Surmeli и Yildirim (2026) накараха единадесет специалисти по научно образование да оценят ChatGPT-4 и ориентиран към образованието инструмент (Teacher's Buddy) по планове за шести клас, подравнени с ревизираната учебна програма на Турция и модела за учене, основано на инженерен дизайн. Ориентираната към образованието платформа получи по-високи оценки по всички осем критерия за качество — включително етапи, интензивни на обратна връзка, и подравняване с учебната програма — доказателство, че вграждането на педагогическа структура в AI дава по-добре подравнен резултат. Въпреки това някои експерти все още предпочитаха общоцелевия план заради по-силния му социално-емоционален акцент, а 7 от 11 прецениха плановете като „приложими след корекция“, а не като директно използваеми. Изборът на платформа и рамкирането на подканата, а не само AI, оформят колко добре генерираните планове се подравняват с учебните стандарти и процесните модели.

Структурата, а не формулировката на подканата, е това, което прави AI изготвянето надеждно в производството: конвейерът Curriculum-as-Code на Paiva (2026) подрязваше контекста агресивно и генерираше материали раздел по раздел в 28 проектни контекста, което намали времето за подготовка на преподавателя от около осем на два часа на инструкция и не остави концептуални или математически халюцинации, които човешкият преглед да хване.

Връзки със свързани концепции

Дизайнът на учебната програма се свързва пряко с Дизайн на обучение — учебната програма определя какво, инструкцията определя как. Той се свързва с AI грамотност, защото вграждането на AI компетентности е основно предизвикателство за учебната програма, с Преподаването и Образователно развитие, защото промяната на учебната програма изисква подготовка на преподавателите, и с Scaffolding, защото добре проектираните учебни програми скафолдват развитието на умения през курсовете и годините. Връзките с Higher Education и K-12 отразяват релевантността на дизайна на учебната програма на всички образователни нива.

Изборът на една рамка за AI грамотност означава избор на речник, който никой не е съпоставил. В обзорен преглед на 50 рамки за K-12 Kharbach et al. (2026) установиха, че дефинициите на компетентностите се събират около когнитивно, афективно, поведенческо, етично и социално измерение, докато етикетите и конструктите не се подравняват. Само рамката ABCE се доближава до споделена традиция за измерване, валидирана в Хонконг, Шанхай и Тайван, а прогресията между класовете беше предлагана многократно и не беше тествана никъде.

Чести заблуди

• „Един Large Language Models (LLMs) може да картографира учебна програма, след като бъде валидиран с висока надеждност.“ GPT-o3-mini разпредели 100% между седем умения за предприятието за всяка от 48 оценки, достигайки Krippendorff's alpha от 0,81 спрямо експертните тегла — и съгласието се разпадна за определени умения. Високата обща надеждност с неравномерно съгласие е моделът, който трябва да се провери, преди да се доверите на картографирането.
• „Вграждането на AI грамотност означава добавяне на курс.“ LearnAI показва вградената форма: широк слой на експозиция от кратки презентации в 18 съществуващи курса в пет дисциплини (293 студенти). Експозицията беше разпределена през учебната програма, вместо да бъде събрана в един модул.
• „Студентите идват вече способни да оценяват медиите критично.“ Само 13,8% от анкетираните студенти по образование и журналистика казаха, че курсовата им работа е обхващала критичен медиен анализ, срещу 97,8%, които го оценяват като важно. Пропускът между цененето на едно умение и преподаването му е отворът в учебната програма.

Свързани концепции

• Pedagogical Partnerships — Педагогически партньорства
• Business Education
• Дизайн на обучение
• AI грамотност
• Scaffolding
• Образователно развитие
• Преподаването
• Higher Education
• K-12
• STEM Education
• CS Education
• Generative AI
• Агентен AI
• Metacognition
• Prompt Engineering
• Collaborative Learning
• Pedagogies and Teaching Strategies — Зонтична: педагогики и преподавателски стратегии в AI образованието
• Recommender Systems and Learning Paths

Свързани статии

• Leveraging GenAI models for Curriculum Analytics: A Human-Centered Approach for Curriculum Mapping in Higher Education — Тегловно картографиране на умения, валидирано от експерти, за акредитация
• Efficiency at what cost? Salvaging constructive alignment from the GenAI hype — Критичен дискурсен анализ на ръководствата за GenAI за конструктивно подравняване (McInnes et al. 2026)
• Addressing Trust in AI Systems through Education: A Didactic Perspective — Адресиране на доверието в AI системите чрез образование: дидактическа перспектива
• Refrain, Then Amplify: A Curriculum Framework for Sequencing Generative AI to Form Professional Judgement — Рамка „задръж, после усили“ за подреждане на GenAI в учебната програма (Torres-Sahli et al. 2026)
• Giving mechanical engineers intelligent tools: A project-based AI education curriculum in thermal engineering — Проектно-базирана учебна програма по AI в топлотехниката
• From Classroom Design to Newsroom Practice: Assessment Intervention Designing GenAI
• Integrating generative artificial intelligence into university curricula: Student insights
• From Experimentation to Integration: Embedding GenAI in Business Higher Education through the Lens of Constructive Alignment
• A Conceptual Framework for Enhancing Workforce Readiness for Smart Manufacturing in the AI Era — Рамка за ниво на готовност за работната сила за интелигентно производство в ерата на AI
• Rewriting the Curriculum: A Systematic Review of Generative AI-Driven Pedagogical Change and Emerging Systems of Learning in Higher Education — Пренаписване на учебната програма: педагогическа промяна, водена от GenAI
• Technology, education and critical media literacy: potential, challenges, and opportunities
• Reshaping Undergraduate Computer Science Education in the Generative AI Era
• ASE-26: A Curriculum for Agentic Software Engineering as a Discipline
• Mapping the Emerging Curriculum for AI-Assisted Software Engineering via Syllabus Analysis
• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education
• Curriculum as Code: An AI-Assisted Architecture for Instructional Design in STEM Education
• Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing
• A principled way to think about AI in education: guidance for educators and policy makers on action based on goals, models of human learning, and use of technologies
• Systematic review of collaborative learning activities for promoting AI literacy
• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — Рамка за AI умения: 26 оценими умения за картографиране на учебната програма
• LearnAI: Just-in-Time AI Co-Creation Across Disciplines at a University — LearnAI: съвместно създаване на AI точно навреме в различни дисциплини
• When Saying No Makes Better Videos: Designing Dual Gatekeeping for Pedagogically Grounded AI Content Creation — Когато казването на „не“ прави по-добри видеа: двойно филтриране за педагогически обосновано създаване на AI съдържание
• STEAM education for AI literacy: a systematic literature review — STEAM образование за AI грамотност: систематичен преглед
• Preparing Learners and Teachers for an AI-Driven Future: Emerging Trends, Pedagogical Challenges, and Critical Perspectives in Pre-University AI Education: A Systematic Literature Review — Подготовка на обучаемите и учителите за бъдеще, движено от AI: систематичен преглед на предуниверситетското AI образование (Caruana et al. 2026)
• Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics — AI платформа, генерираща задачи по математическо моделиране (ADDIE, RAG)
• ChatGPT-assisted lesson planning for children's STEAM arts education: An experimental study on benefits, challenges, methods, and a prompt framework
• Suitability of Artificial Intelligence Supported Lesson Plans from the Perspective of Science Education Experts
• AI in Particle Physics Education: Research Problems and Foundational Skills — AI в образованието по физика на елементарните частици: изследователски проблеми и фундаментални умения
• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — AI може да напише домашното ви. И сега какво? Доклад от онлайн работна среща за оценяването по информатика в ерата на генеративния AI
• K-12 AI literacy frameworks after generative AI: A scoping review — компетентностните рамки се събират около пет измерения без споделен речник или съпоставка
• Exploring the integration of artificial intelligence into residency education curriculum: qualitative interviews — Пречки пред интегрирането на AI в учебните програми за специализация: качествени интервюта с дванадесет ръководители на лекари