Дизайн на обучение

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

Дизайн на обучение (известен и като инструкционен дизайн) - систематичният процес на създаване на ефективни учебни преживявания чрез анализ на учебните потребности и проектиране, разработване, прилагане и оценяване на учебни материали и дейности. AI преобразява дизайна на обучение, като автоматизира създаването на съдържание, позволява адаптивни учебни пътеки, подкрепя итерация, водена от данни, и увеличава - вместо да заменя - ролята на инструкционния дизайнер.

Въпроси за размисъл

• Помислете за курс или урок, които сте преживели или проектирали. Къде свършваше „какво да се преподава“ (учебната програма) и къде започваше „как да се преподава“ (дизайнът на обучение) - и как взаимодействаха двете?
• Често се предполага, че по-доброто владеене на AI автоматично произвежда по-добро образователно съдържание. Страницата противоречи на това с доказателства, че изричната педагогическа структура - а не само владеенето на AI - определя ефективността на обучението. Къде сте виждали впечатляващ изход, който не успя да научи?
• Ако един AI инструмент може да генерира цял курс от един prompt, кои човешки решения стават по-важни, а не по-малко? Страницата твърди, че AI увеличава, а не заменя ролята на инструкционния дизайнер - как би изглеждала тази увеличена роля?
• Някои модели за инструкционен дизайн като ADDIE се използват като твърди, линейни стъпки. Но страницата ги третира като итеративни, гъвкави евристики за планиране. Кога следването на процес твърде буквално би могло да подкопае добрия дизайн?
• Страницата показва, че педагогически обоснованото подканване - например петстъпна рамка, основана на теорията на обучението - значително подобри резултатите от по-висок ред. Ако изграждахте AI преподавател, какво бихте кодирали в изричен дизайнерски слой, за да остане преподавателската му стратегия проследима и възпроизводима?

Въведение

Дизайнът на обучение свързва възможностите на AI и ефективната педагогика. Там, където дизайнът на учебната програма се занимава с какво да се преподава на ниво програма, дизайнът на обучение се занимава с как да се преподава на ниво курс и урок. Статиите в тази база знания изследват както AI като инструмент за дизайнерите на обучение, така и принципите на дизайна на обучение за изграждане на ефективни системи за AI обучение.

Какво включва тази дизайнерска работа на практика, е сам по себе си емпиричен въпрос. Tang et al. (2026) кодират 1378 хода дизайнер-чатбот от петима начинаещи дизайнери на обучение, работещи с чатбот, вграден в дизайнерски инструмент, и установяват, че диалогът се групира около предвидените учебни резултати и педагогическия подход, а не около генерирането на съдържание. Дизайнерите се връщаха към резултатите многократно като проверка за съответствие, докато превръщаха компонентите на учебната програма в конкретни задачи, а ролята на асистента се меняше през фазите - от изясняване на термини към подкрепа за дизайна на задачи и до проверка преди краен срок. Подкрепата за дизайн, по тези доказателства, е по-малко за произвеждане на материал и повече за запазване на съгласуваността на дизайнерското намерение.

Анализът на обучението и генеративният AI подкрепят различни части от дизайна: в 11 фокус групи в един австралийски университет дискурсът за анализ на обучението се срещаше най-често с контекста и решаването на проблеми на ниво курс (0,32), докато дискурсът за GenAI се съсредоточаваше върху дизайна на оценяването (0,26) и дизайна за самоопределение на студентите (0,15) (Claassen et al. (2026)).

Ключови изследователски теми

Подпомогнатото от AI създаване на съдържание е най-пряко трансформативното приложение. Curriculum as Code представя шестфазна архитектура, интегрираща генеративен AI с LaTeX и Python за автоматизиране на създаването на материали по STEM, валидирана в 8 модула и 28 проектни контекста с оценки за качество от студентите 8,5-9,9/10. Instructional Agents използва мултиагентна рамка, структурирана около модела ADDIE, с агенти в роли (преподавателски състав, инструкционен дизайнер, координатор на курса), които си сътрудничат, за да генерират пълни курсови материали. CourseBlueprint предоставя структуриран поток за адаптивно педагогическо генериране на видео, закотвено в корпуси на курсове, демонстрирайки, че изричната педагогическа структура - а не само владеенето на AI - е от съществено значение за генерирането на образователно съдържание. Платформите за генеративен AI могат също да въплъщават принципи на дизайна на обучение в съдържанието, което произвеждат: AI платформа за генериране на задачи за математическо моделиране съчета установени дизайнерски принципи с генерация с подпомагане от извличане, разработена чрез подхода ADDIE, за да произвежда педагогически обосновани задачи и препоръки, които конвенционалните генератори на съдържание не притежават. Но ползата от такова подпомогнато от AI генериране на съдържание и уроци е опосредствана от собствената експертиза на учителя: Choi et al. (2026) установяват, че опитните учители критично адаптират генерираните от AI идеи за уроци към студентите и контекста (повторно подканване и разработване на изхода), докато начинаещите са склонни да приемат предложенията на AI директно - така че педагогическата стойност на AI инструментите за съдържание зависи от опита и владеенето на AI у учителя, а не само от инструмента. Систематичен преглед на съвместния дизайн на учебни задачи от учител и AI (Wang, Liu & Islam 2026) потвърждава модела в мащаб в 28 проучвания (2015-2025): GenAI се използва главно за планиране на уроци, генериране на prompt и творческо генериране на идеи, а доминиращият режим на сътрудничество е AI като асистент и генератор на съдържание, а не като по-пълноценен съдизайнер - като ефективността, отзивчивостта, креативността и равенството се повтарят като възможности. Talebzadeh (2026) заостря находката за учителската експертиза при дизайна на групови дейности: опитните учители произвеждат по-богати, по-синергични и по-добре съответстващи на зоната на проксимално развитие ролеви архитектури в проектираните с AI кооперативни дейности от начинаещите, независимо от познаването на AI, рамкирайки „педагогическата грамотност за подканване“ като лоста, който превръща изхода на AI в ефективно диференцирано групово обучение.

Пробният период Aila дава число за времето за планиране на този модел. Учителите в рандомизираните му начални училища отделяха 2,51 часа седмично за подготовка на уроци с инструмента срещу 3,32 часа без него, но медианният учител планираше само 21% до 40% от уроците от нулата - случаят, който инструментът за планиране от нулата адресира (Roy et al., 2026).

Там, където генерираните материали не достигат, е съответствието с учебната програма: седем учители по математика оцениха генерираните от AI задачи за продуктивен неуспех близо до човешките по общо качество (M = 17,19 срещу 17,43 от 25), но по-ниско по съответствие с учебната програма (M = 2,57 срещу 3,29), така че генерираните задачи все още се нуждаеха от редактиране за дължина, ниво на четене и визуални елементи (Rhaimi et al. (2025)).

Педагогически обоснованото AI обучение прилага принципите на инструкционния дизайн към дизайна на AI системи. Brisson et al. изградиха дидактически воден LLM учителски асистент, в който преподавателската стратегия е кодирана в изричен външен слой - правейки избора на съдържание и дидактическото структуриране проследими и възпроизводими, което директно се обръща към опасенията за непрозрачност в Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments. Hou et al. демонстрираха, че петстъпна рамка за подканване, основана на генеративната теория на обучението, значително подобрява когнитивни резултати от по-висок ред, показвайки че инструкционното напътствие - а не само достъпът до AI - определя ефективността на обучението. И двете се свързват със скафолдинга и интелигентното обучение.

Рамки и оценяване предоставят структурирани подходи. WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators и CoTAL демонстрират принципи на дизайн с човек в контура. Generative AI (GenAI) as a mindtool that supports generative learning (GL) позиционира AI като „мисловен инструмент“ - когнитивен партньор, който разширява, а не заменя мисленето на обучаемия - прилагайки директно теорията на инструкционния дизайн към интеграцията на AI. LUDIA прилага принципите на универсалния дизайн за обучение, за да създаде достъпен AI партньор за мислене за преподаватели, свързвайки инструкционния дизайн с инклузивното обучение. AIRIS (Activate-Inquire-Reflect) е рамка за структуриране на задачи за когнитивно активирано използване на AI, която ограничава приноса на AI така, че прогнозирането, интерпретацията и оценяването да останат на обучаемия - специфична за AI адаптация на циклите на изследване, закотвена в саморегулираното обучение, теорията за когнитивното натоварване и човешко-AI сътрудничеството. Допълвайки тези дизайнерски рамки, таксономията на Dohn et al. (2026) предлага класификация, а не метод за дизайн: шест категории (Учебна цел, Съдържание, Формат на представяне, Епистемична ангажираност, Социален дизайн, Артефакти), които позволяват на дизайнерите и изследователите да описват, сравняват и си представят учебни дейности с GenAI, като правят изрично защо, какво, как, с какво и с кого обучаемите се ангажират с GenAI - изградена като граничен обект чрез постдигитален диалог. Рамките за интелигентна класна стая разширяват това към образованието на учители: Zhu, Liang, Mao и Wang (2026) предлагат триизмерна рамка за интелигентно образование - ефективност на обучението, информационни и комуникационни технологии (ICT) и организация на класната стая - и я реализират в курс от магистърска програма по математика, който интегрира автоматично оценяване, персонализирани препоръки и многократна AI обратна връзка през етапите преди, по време и след занятието. Квазиексперимент показа значими печалби в способността на студентите да формулират точни, професионално обосновани инструкционни цели, давайки преносимия модел D-T-E (Дисциплинарно изискване - Технологично овластяване - Оценъчен цикъл) - дисциплинарно специфично напътствие за преподаватели на учители, които преместват концепциите за интелигентно образование в практиката на инструкционния дизайн.

Дизайн за обхват. Рамката със седем лоста на Halani пита за всяка курсова ситуация кои от тях все още работят, когато студентът е сам с AI; структурни ходове като промяна на това какво удостоверява оценката или задачи, които не могат да бъдат изпълнени без мисленето, стигат по-далеч от това да се казва на студентите, че процесът е важен (Halani, 2026).

Ограничете инструмента, за да защитите мисленето. Деветседмичен дизайн за аргументативно писане подреди чатботи, ограничени от учителя, които задават въпроси и отказват да генерират студентска проза, и четирима гимназисти преминаха от пасивни потребители на AI към оценители, които оспорваха изходите - стратегическото ограничение, а не неограничената генеративност, следваше печалбите (Konradt, Boote & Taub (2026)).

Воденото от рубрика подканване като дизайнерски лост. Yaşar et al. (2026) демонстрираха, че рубриката функционира като медииращ интерфейс между човешкото педагогическо намерение и машинния извод: третирането на критериите за оценяване като ревизируеми дизайнерски артефакти - а не като фиксирани инструменти - и итеративното им съвместно прецизиране с LLM повиши съгласието LLM-човек върху студентска дизайнерска работа от 54,75% на 81,25%. Рубриките, проектирани за LLM, трябва да балансират прецизност и гъвкавост - твърде неясната кани свободна интерпретация, твърде твърдата свежда модела до съпоставяне на образци - а подканването с осъзнаване на ролята (преподавател, рецензент от връстници, рецензент на финансиране) даде различна оценъчна обратна връзка. Това позиционира инженерството на рубрики като конкретна практика на дизайна на обучение за оформяне на оценъчното поведение на AI, като надзорът с човек в контура остава от съществено значение.

AI агенти за инструкционен дизайн разширяват областта към агентния AI. ISD-Agent-Bench е първият стандартизиран, теоретично закотвен бенчмарк за оценяване на базирани на LLM агенти за инструкционен дизайн - неговата матрица от контексти с 25 795 сценария (51 контекстуални променливи × 33 подстъпки на ISD от ADDIE) показва, че агентите, закотвени в класически ISD рамки (ADDIE, Dick & Carey, Rapid Prototyping ISD), превъзхождат агентите без теория, което емпирично валидира, че инструкционният дизайн е структурирана дисциплина, а не генерична задача за подканване. Агентите не са само строители на дизайни, но и критици на тях: Wang, Mitchell & Piech (2025) използват един автономен уеб агент, който навигира в многостъпен онлайн урок като студент, за да оцени дизайн на обучение преди реални обучаеми да се ангажират - описанието му на студентското преживяване предсказва къде начинаещите ще отпаднат и извежда наяве приложима обратна връзка за дизайна, превъзхождайки всеки базов вариант и дори симулирана кохорта от студенти в глобален курс CS1. Това рамкира агентното оценяване преди стартиране като евтино допълнение към човешката дизайнерска итерация. Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design и Instructional Agents изследват мултиагентни рамки, които оркестрират агенти в роли около модели за инструкционен дизайн, докато AI-TPACK изследва как учители и агенти съвместно прилагат технологично-педагогическо-съдържателно знание. Тази работа свързва инструкционния дизайн с бенчмарковете, оценката на AI в образованието и дизайна на учебната програма в мащаб.

Връзки със свързани концепции

Дизайнът на обучение е свързващата дисциплина на AI в образованието - той свързва дизайна на учебната програма (какво да се преподава) със скафолдинга (как да се подкрепят обучаемите), образователното развитие (как да се подготвят преподавателите) и генеративния AI (самите инструменти). Той е тясно свързан с учителската роля, защото AI инструментите преобразяват това, което правят дизайнерите на обучение и учителите, и с AI грамотността, защото ефективната интеграция на AI изисква преподавателите да разбират възможностите и ограниченията на AI. Дизайнерската работа в крайна сметка се свежда до ред на дейностите: педагогическите модели каталогизират проверените редове на ходовете, така че дизайнерът може да реши къде в урока принадлежи AI, а не само какво да включи. Науките за обучението са изследователското поле зад тези принципи: там, където тази страница покрива професионалната практика на създаване на учебни преживявания, науките за обучението изучават тази практика и нейните дизайни емпирично и генерират когнитивните, мотивационните и социалните принципи, които дизайнът на обучение след това операционализира.

Как дизайнът на обучение определя печалбите в ученето

Дизайнът на обучение е лостът, който решава дали AI произвежда придобивки в обучението, или само надуто от AI представяне. Доказателствата в базата знания са последователни по този въпрос: един и същ AI инструмент дава големи печалби или чиста вреда в зависимост от това как е проектирано учебното преживяване около него. Hou et al. показаха, че петстъпна рамка за подканване, основана на теорията на обучението, значително подобри когнитивни резултати от по-висок ред, докато достъпът до AI сам по себе си не го направи; рамките мисловен инструмент и AIRIS запазват когнитивната работа на обучаемия, така че да се получат трайни печалби (а не ефективност на задачата). Дизайнерските избори, които защитават придобивките в обучението - скафолдинг, който изисква опит от студента, формативно оценяване с мерки за резултат без помощ и педагогическа структура, която оставя обучаемия да бъде агентът - отразяват находката на областта (вж. Learning Gains), че AI е силна печалба, когато обучава, и вреда, когато отговаря. Обратно, слабо проектираните уроци с интегриран AI стават жертва на пропастта между представяне и учене, където привидният успех прикрива липса на учене.

Практически насоки за дизайнери и разработчици

За инструкционните дизайнери, разработчиците на курсове и инженерите, изграждащи подпомогнати от AI учебни преживявания, находките в базата знания се превеждат в приложима практика. Една граница си заслужава да бъде отбелязана преди самите практики: дизайнът на обучение, както го описва тази страница, е дизайн на курс за известна кохорта, докато същите принципи, вградени в продукт, който много курсове - преподавани от хора, които дизайнерът никога няма да срещне - ще използват, са работа на разработчиците на образователни технологии, където настройките по подразбиране, конфигурируемостта и документацията носят педагогическа тежест:

Закответе генерирането от AI в структуриран инструкционен модел. AI съдържанието е толкова добро, колкото е педагогическата структура зад него - изричната структура, а не владеенето на AI, определя качеството. Проектирайте около признат модел (ADDIE, Dick & Carey, бързо прототипиране) и кодирайте педагогическите решения изрично, вместо да разчитате моделът да ги изведе.(CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora)(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)(A didactical-driven teacher assistant for a dimensional modeling course)

Приемете рамка на ниво принципи, както и инструкционен модел. Моделът на ниво курс структурира един дизайн; публикуваната рамка задава критериите, на които много дизайни трябва да отговарят. Пример, който си заслужава да се прочете изцяло, е Powerful Learning with Emerging Technology на Digital Promise, която организира напътствията си под три принципа - основан на доказателства, центриран върху обучаемия, изграждащ умения - всеки разгърнат в практики и стратегии, и обвързва поверителността, обяснимостта и справедливостта с конкретни практики като задължения за безопасност, а не като незадължителни допълнения.(Powerful Learning with Emerging Technology) Съответствайте конфигурацията на AI на задачата, а не на сложността. Nalyvaiko (2026) разграничава четири слоя - prompt, контекст, обвивка и проверен цикъл - и прилага принципа за минимално достатъчен слой: използвайте най-малко сложната конфигурация, способна на проверим резултат, тъй като добавената оркестрация носи разходи за координация, проверка, поверителност и разбиране.

Използвайте базирани на роли мултиагентни работни процеси за производство на съдържание. Вместо един генеричен prompt, оркестрирайте отделни агенти и роли (преподавателски състав, инструкционен дизайнер, координатор на курса), които си сътрудничат през определен поток - това отразява как работят реалните курсови екипи и дава по-пълни материали от един prompt.(Instructional Agents: Reducing Teaching Faculty Workload through Multi-Agent Instructional Design)(Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design)

Осигурете инструкционно напътствие, а не само достъп до AI. Независимо дали обучаемите взаимодействат директно с AI или с генерирани от AI материали, напътствието, изградено върху теорията на обучението (например постъпков скафолд за подканване, основан на принципите на генеративното обучение), води до резултати от по-висок ред; самият достъп не го прави. Проектирайте учебната дейност около това как се учи умът и третирайте AI като когнитивен „мисловен инструмент“, който разширява мисленето, вместо да го заменя.(The Role of Instructional Guidance in Generative AI-Assisted Learning: Empirical Evidence from Construction Engineering)(Generative AI (GenAI) as a mindtool that supports generative learning (GL))

Моделирайте забравянето и планирайте преговора там, където разпадът е най-голям. G4L представя разпада на знанията с крива на забравяне на Ebbinghaus, движена от изминалото време и повторенията, и дава приоритет на единиците, най-уязвими на разпад, вместо да поднася отново това, което е било оценено най-скоро (Csépányi-Fürjes & Kovács, 2026).

Fowlin et al. (2026) добавят оперативен ход за решаване къде влиза AI: разглобете дейността на компоненти, които се правят най-добре независимо, и такива, които се правят най-добре в съчетание с AI, като запазите преценката на преподавателя централна за разделянето (Fowlin et al. (2026)).

Направете съдържанието проследимо и проверимо. Позволете на човешки дизайнер да прегледа и коригира изхода на AI, преди той да достигне до обучаемите, и структурирайте генерирането от AI така, че педагогическата обосновка (защо това съдържание, в този ред) да бъде проверима - обръщайки се както към качеството, така и към опасенията за непрозрачност, които подкопават генерираното с доверие обучение.(WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators)(CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback)

• Преглеждайте генерираните от AI медии на етап сценарий, а не след синтеза. PedaCo поставя прегледа от преподавател върху сценария - където педагогическите грешки са евтини за поправяне - преди нещо да бъде изобразено; оценената инструкционна валидност се покачи от 3,07 на 3,86, докато автоматизираният слой след синтеза подобри само две от пет измерения (Kim, Baek и Kwak (2026)).

Проектирайте за достъпност от самото начало. Прилагайте принципите на универсалния дизайн за обучение при изграждането на AI инструменти и генерирани от AI материали, така че да служат на разнообразни обучаеми, вместо да добавяте достъпност след факта.(LUDIA: A Design and Evidence Statement)

Планирайте за средата на доставка. Инструкционният дизайн за онлайн преподаване и обучение не е неутрален превод на присъствения дизайн - средата променя какво скафолдинг, оценяване и взаимодействие са жизнеспособни, а AI умножава както възможностите (мащабируема персонализация, подкрепа по всяко време), така и рисковете (почтеност, когнитивно изнасяне), за които дизайнерите трябва да планират. Проектирайте педагогическата обвивка на AI толкова съзнателно онлайн, колкото и в присъствени контексти.

Оценявайте спрямо бенчмарк, а не на усет. Ако изграждате агент за инструкционен дизайн, оценявайте го спрямо стандартизиран, теоретично закотвен бенчмарк (например ISD-Agent-Bench), за да можете да измерите дали закотвянето в реална ISD рамка действително подобрява изхода спрямо генеричен LLM.(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)

• AI преобразява практиката на инструкционния дизайн. Kibar & Ilgaz (2026) систематично преглеждат 28 проучвания (2020-2025) и установяват, че AI помага на дизайнерите с генериране на съдържание, шаблони и персонализация и се концептуализира като съработник, сътрудник или партньор, а не само като инструмент - макар педагогическото съответствие и готовността на практиците да остават предизвикателства.

• Документираната активност е концентрирана в една фаза от цикъла. В преглед на 78 проучвания за подпомогнатия от AI инструкционен дизайн активността във фазата на дизайн се появява в 74 от 78 проучвания (95%), а в разработването - в 44 (56%), докато анализът достига само 11 (14%), оценяването 10 (13%) и прилагането 7 (9%) - и нито едно проучване не изследва подкрепата от AI през целия цикъл ADDIE. Цикълът е стремеж, който базата доказателства не покрива, което има значение за всеки, на когото се продава „разработване на курсове с AI“ като възможност от край до край (Spyropoulou & Kameas, 2026).

• Три роли на AI, йерархично разпределени. Генеративната употреба - AI произвежда дизайнерско съдържание по указание на преподавателя - доминира в 96% от проучванията; скафолдващата употреба, при която AI структурира собственото разсъждение на дизайнера, се появява в 35%; оценъчната употреба, при която AI оценява качеството на артефакта, в 21%. Областта използва предимно AI, за да прави неща, а не за да поставя под въпрос собствените си дизайнерски решения, което е обратното на конфигурацията на критичен приятел, която прегледът откроява като педагогически обещаваща.

Чести заблуди

• „Планирането на уроци с AI връща време на учителите.“ Времето за планиране наистина падна от 3,32 часа седмично на 2,51 с инструмента, но медианният учител планираше само 21% до 40% от уроците от нулата. Времето беше спестено и планирането не стана съществено по-задълбочено - спестяването се натрупа, вместо да бъде реинвестирано.
• „Съвместният дизайн с AI е добре доказан.“ Систематичен преглед на съвместния дизайн на учебни задачи от учител и AI потвърждава модела в мащаб в 28 проучвания, което описва последователна практика, а не демонстрира превъзходни резултати.
• „Рубриката е фиксиран вход.“ Рубриката функционира като медииращ интерфейс между човешкото педагогическо намерение и машинния извод: третирането на критериите за оценяване като ревизируеми е това, което позволява на инструмента да носи намерението на преподавателя. Фиксираната рубрика пренася рамката по подразбиране на машината в оценяването.

Свързани концепции

• Interpreting and Applying AIEd Research
• Pedagogical Partnerships - Педагогически партньорства
• Online Teaching and Learning - Онлайн преподаване и обучение
• Curriculum Design
• Scaffolding
• Образователно развитие
• Преподаването
• AI грамотност
• Generative AI
• Intelligent Tutoring
• Personalized Learning
• Adaptive Learning
• Formative Assessment
• Higher Education
• K-12
• Агентен AI
• Inclusive Learning
• Universal Design for Learning
• Learning Theories
• Learning Sciences
• Learning Gains
• Behaviorism
• Educational Technology Developers
• Pedagogies and Teaching Strategies - Чадър: педагогиките и стратегиите на преподаване в AI образованието
• Stakeholders - Чадър: хората и аудиториите в AI образованието (обучаеми, учители, дизайнери, администратори, политици)

Свързани статии

• Lesson planning using AI lesson assistant, Aila - A Teacher Choices Trial — Измерено спестяване на време за планиране наред с находката, че учителите планират само 21% до 40% от уроците от нулата
• Powerful Learning with Emerging Technology — Powerful Learning with Emerging Technology
• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — Анализ на обучението и GenAI при вземането на решения за дизайн на обучение
• Investigating the Role of Chatbots in Facilitating Learning Design — Използване на чатбот в дизайна на обучение: дизайнерите се спират на резултатите и педагогиката, а не на генерирането на съдържание (Tang et al. 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Модели на взаимодействие учител-AI при дизайна на уроци според опита и владеенето на AI (Choi et al. 2026)
• Artificial intelligence in higher education: a systematic review of its impact on student engagement and the mediating role of teaching methods — AI във висшето образование: ангажираност и медиираща роля на методите на преподаване
• Curriculum as Code: An AI-Assisted Architecture for Instructional Design in STEM Education
• Collaborative Making of a Boundary Object for Classifying Generative AI Learning Activities — Таксономия (граничен обект) за класифициране на учебни дейности с GenAI
• Instructional Agents: Reducing Teaching Faculty Workload through Multi-Agent Instructional Design
• A didactical-driven teacher assistant for a dimensional modeling course
• The Role of Instructional Guidance in Generative AI-Assisted Learning: Empirical Evidence from Construction Engineering
• CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora
• WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators
• CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback
• Generative AI (GenAI) as a mindtool that supports generative learning (GL)
• LUDIA: A Design and Evidence Statement
• From Prompts to Verified Loops: The PCHL-HE Framework for Generative AI-Assisted Educational and Research Content Creation in Higher Education
• ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents
• AI Web Agents Can Effectively Guide Lesson Design and Predict Student Outcomes — AI уеб агенти: автономен уеб агент оценява дизайни на уроци и предсказва отпадането на студенти, преди те да се ангажират (Wang, Mitchell & Piech 2025)
• It's Not the Tool, It's the Task: A Framework for Cognitively Activated AI Augmentation in Physics Instruction — AIRIS: рамка за когнитивно активирано AI усилване във физиката
• Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design
• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design
• Designing for Reach: Seven Levers and the Student Alone with AI — Дизайн за обхват: седем лоста и студентът сам с AI
• Empowering Educators: Operationalizing Age-Old Learning Principles Using AI
• When Saying No Makes Better Videos: Designing Dual Gatekeeping for Pedagogically Grounded AI Content Creation — Когато да кажеш „не“ прави по-добри видеа: двойно филтриране за педагогически обосновано създаване на съдържание с AI
• ProductiveMath: A Generative-AI-Powered App to Support Productive Failure Teaching — ProductiveMath: AI за подкрепа на дизайна на задачи за продуктивен неуспех
• The Intersection of Artificial Intelligence and Instructional Design Practice: A Systematic Review — AI и практиката на инструкционния дизайн: систематичен преглед (Kibar & Ilgaz 2026)
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — Базирано на графи интелигентно обучение за динамични области (2026)
• Making AI Annoying on Purpose: When Helpful Tools Don't Always Help — Правене на AI досаден нарочно: ограничението в подпомогнатото от AI писане (Konradt, Boote & Taub 2026)
• Improving Instructional Design Proficiency of Master's Students in Mathematics Education Through Intelligent Educational Technologies — Модел за интелигентна класна стая и цикъл D-T-E, подобряващи умението за инструкционен дизайн в магистърска програма по математика (Zhu et al. 2026)
• Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics — AI платформа за генериране на задачи за математическо моделиране (ADDIE, RAG)
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Съвместен дизайн на учебни задачи от учител и AI: тенденции и перспективи (Wang et al. 2026)
• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Архитектура на ролите в диференцирани групови дейности, проектирани с AI (Talebzadeh 2026)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLM като агенти на итеративен педагогически дизайн