লার্নিং ডিজাইন

ইংরেজি পাতার এই স্বয়ংক্রিয় অনুবাদ, এখনও মাতৃভাষিক বক্তার দ্বারা পর্যালোচনা করা হয়নি।

লার্নিং ডিজাইন (ইনস্ট্রাকশনাল ডিজাইন নামেও পরিচিত) - শিখনের চাহিদা বিশ্লেষণ এবং নির্দেশনা-উপকরণ ও কার্যক্রমের নকশা, উন্নয়ন, বাস্তবায়ন ও মূল্যায়নের মাধ্যমে কার্যকর শিখন-অভিজ্ঞতা সৃষ্টির পদ্ধতিগত প্রক্রিয়া। AI কনটেন্ট সৃষ্টি স্বয়ংক্রিয় করে, অ্যাডাপটিভ শিখন পথ সক্ষম করে, ডেটা-চালিত পুনরাবৃত্তি সমর্থন করে এবং ইনস্ট্রাকশনাল ডিজাইনারের ভূমিকা প্রতিস্থাপনের বদলে বর্ধিত করে লার্নিং ডিজাইনকে রূপান্তরিত করছে।

বিবেচনার প্রশ্ন

• আপনি যে কোনো কোর্স বা পাঠ অভিজ্ঞতা করেছেন বা নকশা করেছেন তা ভাবুন। 'কী শেখানো হবে' (পাঠ্যক্রম) কোথায় শেষ হয়েছে এবং 'কীভাবে শেখানো হবে' (লার্নিং ডিজাইন) কোথায় শুরু হয়েছে - এবং দুটি কীভাবে পরস্পরকে প্রভাবিত করেছে?
• একটি সাধারণ ধারণা হলো, AI-এ বেশি দক্ষতা স্বয়ংক্রিয়ভাবে ভালো শিক্ষামূলক কনটেন্ট তৈরি করে। এই পাতা এর বিপরীতে প্রমাণ দেয় যে সুস্পষ্ট পেডাগজিক্যাল গঠন - কেবল AI-দক্ষতা নয় - শিখনের কার্যকারিতা নির্ধারণ করে। কোথায় আপনি চমকপ্রদ আউটপুট দেখেছেন যা শেখাতে ব্যর্থ হয়েছে?
• যদি একটি AI সরঞ্জাম একটি প্রম্পট থেকে সম্পূর্ণ কোর্স তৈরি করতে পারে, তবে কোন মানবীয় সিদ্ধান্তগুলো কম নয়, বরং বেশি গুরুত্বপূর্ণ হয়ে ওঠে? পাতা যুক্তি দেয় AI ইনস্ট্রাকশনাল ডিজাইনারের ভূমিকা প্রতিস্থাপন করে না, বরং বর্ধিত করে - সেই বর্ধিত ভূমিকা কেমন হবে?
• ADDIE-র মতো কিছু ইনস্ট্রাকশনাল-ডিজাইন মডেল অনমনীয়, রৈখিক ধাপ হিসেবে ব্যবহৃত হয়। কিন্তু এই পাতা সেগুলোকে পুনরাবৃত্তিমূলক, নমনীয় পরিকল্পনা-হিউরিস্টিক হিসেবে দেখে। কখন একটি প্রক্রিয়া খুব আক্ষরিকভাবে অনুসরণ করা ভালো নকশাকে ক্ষতিগ্রস্ত করতে পারে?
• পাতা দেখায় যে পেডাগজিক্যালভাবে ভিত্তিক প্রম্পটিং - উদাহরণস্বরূপ শিখন-তত্ত্বভিত্তিক পাঁচ-ধাপের একটি কাঠামো - উচ্চতর-ক্রমের ফলাফল উল্লেখযোগ্যভাবে উন্নত করেছে। আপনি যদি একটি AI টিউটর তৈরি করতেন, তবে তার শিক্ষাদান কৌশল অনুসরণযোগ্য ও পুনরুৎপাদনযোগ্য রাখতে স্পষ্ট ডিজাইন স্তরে কী সংকেত দিতেন?

ভূমিকা

লার্নিং ডিজাইন AI-এর সামর্থ্য ও কার্যকর পেডাগজির মধ্যে সেতু তৈরি করে। যেখানে পাঠ্যক্রম নকশা প্রোগ্রাম স্তরে কী শেখানো হবে তা নিয়ে কাজ করে, সেখানে লার্নিং ডিজাইন কোর্স ও পাঠ স্তরে কীভাবে তা শেখানো হবে তা নিয়ে কাজ করে। এই জ্ঞানভিত্তির নিবন্ধগুলো লার্নিং ডিজাইনারদের জন্য AI-কে সরঞ্জাম হিসেবে এবং কার্যকর AI টিউটরিং ব্যবস্থা তৈরির জন্য লার্নিং-ডিজাইন নীতিগুলো - উভয়ই অন্বেষণ করে।

বাস্তবে এই নকশা-কাজ কী অন্তর্ভুক্ত করে তা নিজেই একটি অভিজ্ঞতাভিত্তিক প্রশ্ন। Tang প্রমুখ (2026) একটি ডিজাইন সরঞ্জামে অন্তর্ভুক্ত চ্যাটবট নিয়ে কাজ করা পাঁচজন নবীন লার্নিং ডিজাইনারের 1,378টি ডিজাইনার-চ্যাটবট টার্ন কোড করেছেন এবং দেখেছেন যে সংলাপটি কনটেন্ট সৃষ্টির বদলে অভীষ্ট শিখনফল ও পেডাগজিক্যাল পদ্ধতির চারপাশে ঘনীভূত হয়েছে। ডিজাইনাররা পাঠ্যক্রমের উপাদানগুলোকে নির্দিষ্ট কাজে রূপান্তর করার সময় সামঞ্জস্য-যাচাই হিসেবে বারবার শিখনফলের কাছে ফিরে গেছেন, এবং সহায়কের ভূমিকা ধাপ অনুযায়ী বদলেছে - পরিভাষা স্পষ্ট করা থেকে কাজের নকশা সমর্থন এবং সময়সীমার আগে একটি যাচাই-পাস চালানো পর্যন্ত। এই প্রমাণে, ডিজাইন সহায়তা উপাদান উৎপাদনের চেয়ে ডিজাইন-উদ্দেশ্যের সমন্বয় রক্ষা করার বিষয় বেশি।

লার্নিং অ্যানালিটিক্স ও জেনারেটিভ AI নকশার ভিন্ন ভিন্ন অংশকে সমর্থন করে: একটি অস্ট্রেলীয় বিশ্ববিদ্যালয়ের 11টি ফোকাস গ্রুপ জুড়ে অ্যানালিটিক্স-সংলাপ সবচেয়ে বেশি সহ-উপস্থিত ছিল প্রসঙ্গ ও কোর্স-স্তরের সমস্যা সমাধানের সঙ্গে (0.32), যেখানে GenAI-সংলাপ কেন্দ্রীভূত ছিল মূল্যায়ন নকশা (0.26) এবং শিক্ষার্থীর স্ব-নির্ধারণের জন্য নকশা (0.15) নিয়ে (Claassen প্রমুখ (2026)).

মূল গবেষণা-বিষয়গুলো

AI-সহায়তাপ্রাপ্ত কনটেন্ট সৃষ্টি হলো সবচেয়ে সরাসরি রূপান্তরকারী প্রয়োগ। Curriculum as Code একটি ছয়-ধাপের স্থাপত্য উপস্থাপন করে যা জেনারেটিভ AI-কে LaTeX ও Python-এর সঙ্গে সংযুক্ত করে STEM উপকরণ সৃষ্টি স্বয়ংক্রিয় করে, যা 8টি মডিউল ও 28টি প্রকল্প-প্রসঙ্গে যাচাই করা হয়েছে, শিক্ষার্থীদের মান-রেটিং 8.5-9.9/10। Instructional Agents ADDIE মডেলের চারপাশে গঠিত একটি মাল্টি-এজেন্ট কাঠামো ব্যবহার করে, যেখানে ভূমিকা-ভিত্তিক এজেন্ট (Teaching Faculty, Instructional Designer, Course Coordinator) সম্পূর্ণ কোর্স-উপকরণ তৈরি করতে সহযোগিতা করে। CourseBlueprint কোর্স-কর্পাসে ভিত্তিক অ্যাডাপটিভ পেডাগজিক্যাল ভিডিও সৃষ্টির জন্য একটি কাঠামোবদ্ধ পাইপলাইন দেয়, যা দেখায় যে স্পষ্ট পেডাগজিক্যাল গঠন - কেবল AI-দক্ষতা নয় - শিক্ষামূলক কনটেন্ট সৃষ্টির জন্য অপরিহার্য। জেনারেটিভ AI প্ল্যাটফর্মগুলো যে কনটেন্ট তৈরি করে তাতেও লার্নিং-ডিজাইন নীতি মূর্ত করতে পারে: গাণিতিক মডেলিং সমস্যা তৈরির একটি AI-চালিত প্ল্যাটফর্ম প্রতিষ্ঠিত নকশা-নীতির সঙ্গে রিট্রিভাল-অগমেন্টেড জেনারেশন মিলিয়ে, ADDIE পদ্ধতির মাধ্যমে বিকশিত হয়েছে, যাতে পেডাগজিক্যালভাবে ভিত্তিক কাজ ও সুপারিশ তৈরি হয় যা প্রচলিত কনটেন্ট জেনারেটরগুলোতে থাকে না। তবুও এই ধরনের AI-সহায়তাপ্রাপ্ত কনটেন্ট ও পাঠ-সৃষ্টির লাভ শিক্ষকের নিজের দক্ষতা দ্বারা মধ্যস্থতা করা হয়: Choi প্রমুখ (2026) দেখেছেন যে অভিজ্ঞ শিক্ষকরা AI-উৎপন্ন পাঠ-ধারণা শিক্ষার্থী ও প্রসঙ্গ অনুযায়ী সমালোচনামূলকভাবে খাপ খাওয়ান (আউটপুট পুনঃপ্রম্পট ও বিস্তারিত করেন), যেখানে নবীনরা AI-এর প্রস্তাব সরাসরি গ্রহণ করার প্রবণতা রাখেন - তাই AI কনটেন্ট সরঞ্জামের পেডাগজিক্যাল মূল্য কেবল সরঞ্জামের ওপর নয়, শিক্ষকের অভিজ্ঞতা ও AI-দক্ষতার ওপর নির্ভর করে। শিখন-কাজের শিক্ষক-AI সহ-নকশার একটি পদ্ধতিগত পর্যালোচনা (Wang, Liu & Islam 2026) 28টি গবেষণা (2015-2025) জুড়ে এই ধরনটিকে বড় মাপে নিশ্চিত করে: GenAI মূলত পাঠ-পরিকল্পনা, প্রম্পট সৃষ্টি ও সৃজনশীল ভাবনায় ব্যবহৃত হয়, এবং প্রধান সহযোগিতার ধরন হলো সহায়ক/কনটেন্ট জেনারেটর হিসেবে AI, পূর্ণাঙ্গ সহ-ডিজাইনার হিসেবে নয় - যেখানে দক্ষতা, সংবেদনশীলতা, সৃজনশীলতা এবং ন্যায়বিচার বারবার সামর্থ্য হিসেবে উঠে আসে। Talebzadeh (2026) দলগত কার্যক্রম নকশার ক্ষেত্রে শিক্ষক-দক্ষতার এই ফলাফলকে আরও তীক্ষ্ণ করেন: অভিজ্ঞ শিক্ষকরা AI-নকশাকৃত সহযোগিতামূলক কার্যক্রমে নবীনদের তুলনায় বেশি সমৃদ্ধ, বেশি সমন্বিত এবং ZPD-এর সঙ্গে বেশি সামঞ্জস্যপূর্ণ ভূমিকা-স্থাপত্য তৈরি করেন, AI-পরিচিতি নির্বিশেষে, এবং "পেডাগজিক্যাল প্রম্পট সাক্ষরতা"-কে সেই লিভার হিসেবে চিহ্নিত করেন যা AI-আউটপুটকে কার্যকর ভিন্নতামূলক দলগত শিখনে রূপান্তরিত করে।

Aila পরীক্ষাটি সেই ধরনের ওপর পরিকল্পনা-সময়ের একটি সংখ্যা বসায়। এর র‍্যান্ডমাইজড প্রাথমিক বিদ্যালয়গুলোতে শিক্ষকরা সরঞ্জামটি নিয়ে সপ্তাহে পাঠ প্রস্তুতিতে 2.51 ঘণ্টা ব্যয় করেছেন, সরঞ্জাম ছাড়া 3.32 ঘণ্টা, তবুও মধ্যম শিক্ষক কেবল 21% থেকে 40% পাঠ শূন্য থেকে পরিকল্পনা করেছেন, যা সেই ক্ষেত্র যাকে শূন্য-থেকে-তৈরি সরঞ্জাম সম্বোধন করে (Roy প্রমুখ, 2026)।

যেখানে উৎপন্ন উপকরণ পিছিয়ে পড়ে তা হলো পাঠ্যক্রমের সঙ্গে সামঞ্জস্য: সাতজন গণিত শিক্ষক AI-উৎপন্ন উৎপাদনশীল-ব্যর্থতা সমস্যাগুলোকে সামগ্রিক মানে মানুষের তৈরি সমস্যার কাছাকাছি রেটিং দিয়েছেন (M = 17.19 বনাম 25-এর মধ্যে 17.43) কিন্তু পাঠ্যক্রম-সামঞ্জস্যে কম (M = 2.57 বনাম 3.29), তাই উৎপন্ন সমস্যাগুলোর দৈর্ঘ্য, পঠন-স্তর ও ভিজ্যুয়ালের জন্য সম্পাদনা এখনও দরকার ছিল (Rhaimi প্রমুখ (2025))।

পেডাগজিক্যালভাবে ভিত্তিক AI টিউটরিং AI সিস্টেম নকশায় ইনস্ট্রাকশনাল ডিজাইন নীতি প্রয়োগ করে। Brisson প্রমুখ একটি ডিড্যাকটিক্যালি-চালিত Large Language Models (LLMs) শিক্ষক-সহায়ক তৈরি করেছেন যেখানে টিউটরিং কৌশল একটি স্পষ্ট বাহ্যিক স্তরে সংকেতিত, যা কনটেন্ট নির্বাচন ও ডিড্যাকটিক গঠনকে অনুসরণযোগ্য ও পুনরুৎপাদনযোগ্য করে এবং Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments-এ উত্থাপিত অস্বচ্ছতা-উদ্বেগ সরাসরি সম্বোধন করে। Hou প্রমুখ দেখিয়েছেন যে জেনারেটিভ শিখন তত্ত্বে ভিত্তিক পাঁচ-ধাপের একটি প্রম্পটিং কাঠামো উচ্চতর-ক্রমের সংজ্ঞানাত্মক ফলাফল উল্লেখযোগ্যভাবে উন্নত করেছে, যা দেখায় যে শিখনের কার্যকারিতা কেবল AI-প্রবেশাধিকার নয়, নির্দেশনা-নির্দেশনা নির্ধারণ করে। দুটিই Scaffolding ও Intelligent Tutoring-এর সঙ্গে যুক্ত।

কাঠামো ও মূল্যায়ন কাঠামোবদ্ধ পদ্ধতি দেয়। WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators ও CoTAL হিউম্যান-ইন-দ্য-লুপ নকশা-নীতি প্রদর্শন করে। Generative AI (GenAI) as a mindtool that supports generative learning (GL) AI-কে একটি "মাইন্ডটুল" হিসেবে স্থাপন করে - একটি সংজ্ঞানাত্মক অংশীদার যা শিক্ষার্থীর চিন্তাকে প্রতিস্থাপন নয়, বর্ধিত করে - সরাসরি ইনস্ট্রাকশনাল ডিজাইন তত্ত্ব AI-সংযোজনে প্রয়োগ করে। LUDIA শিক্ষাবিদদের জন্য একটি প্রবেশযোগ্য AI চিন্তা-অংশীদার তৈরি করতে সার্বজনীন ডিজাইন ফর লার্নিং নীতি প্রয়োগ করে, ইনস্ট্রাকশনাল ডিজাইনকে অন্তর্ভুক্তিমূলক শিখনের সঙ্গে যুক্ত করে। AIRIS (Activate-Inquire-Reflect) হলো সংজ্ঞানাত্মকভাবে সক্রিয় AI ব্যবহারের জন্য একটি কাজ-গঠন কাঠামো যা AI-এর অবদান সীমাবদ্ধ রাখে যাতে পূর্বানুমান, ব্যাখ্যা ও মূল্যায়ন শিক্ষার্থীরই থাকে - এটি Self-Regulated Learning, সংজ্ঞানাত্মক ভার তত্ত্ব এবং Human AI Collaboration-এ ভিত্তিক অনুসন্ধান-চক্রের একটি AI-নির্দিষ্ট অভিযোজন। এই নকশা-কাঠামোগুলোর পরিপূরক হিসেবে, Dohn প্রমুখ (2026)-এর শ্রেণিবিন্যাস একটি নকশা-পদ্ধতির বদলে একটি শ্রেণিবিন্যাস দেয়: ছয়টি শ্রেণি (Learning Objective, Content, Representation Format, Epistemic Engagement, Social Design, Artifacts) যা নকশাকারী ও গবেষকদের GenAI শিখন-কার্যক্রম বর্ণনা, তুলনা ও কল্পনা করতে দেয়, শিক্ষার্থীরা কেন, কী, কীভাবে, কী দিয়ে এবং কার সঙ্গে GenAI-তে সম্পৃক্ত হয় তা স্পষ্ট করে - যা পোস্টডিজিটাল সংলাপের মাধ্যমে একটি সীমানা-বস্তু হিসেবে গড়া। স্মার্ট-শ্রেণিকক্ষ কাঠামো এটিকে শিক্ষক প্রশিক্ষণে বিস্তৃত করে: Zhu, Liang, Mao ও Wang (2026) স্মার্ট শিক্ষার জন্য একটি ত্রিমাত্রিক কাঠামো প্রস্তাব করেন - শিখন-কার্যকারিতা, তথ্য ও যোগাযোগ প্রযুক্তি (ICT), এবং শ্রেণিকক্ষ সংগঠন - এবং একটি গণিত M.Ed. কোর্সে তা মূর্ত করেন যা ক্লাস-পূর্ব, ক্লাস-মধ্য ও ক্লাস-পরবর্তী ধাপ জুড়ে স্বয়ংক্রিয় স্কোরিং, ব্যক্তিগতকৃত সুপারিশ এবং বহু-AI ফিডব্যাক সংযুক্ত করে। একটি আধা-পরীক্ষা শিক্ষার্থীদের সুনির্দিষ্ট, পেশাগতভাবে ভিত্তিক নির্দেশনা-উদ্দেশ্য গঠনের সামর্থ্যে উল্লেখযোগ্য অগ্রগতি দেখিয়েছে, যা একটি হস্তান্তরযোগ্য D-T-E মডেল (Disciplinary Demand-Technological Empowerment-Evaluation Loop) দেয় - স্মার্ট-শিক্ষার ধারণাগুলোকে বাস্তব ইনস্ট্রাকশনাল ডিজাইন অনুশীলনে নিয়ে যেতে চাওয়া শিক্ষক প্রশিক্ষকদের জন্য বিষয়-নির্দিষ্ট নির্দেশনা।

নাগালের জন্য নকশা। Halani-র সাত-লিভারের কাঠামো প্রতিটি কোর্স-পরিবেশ সম্পর্কে জিজ্ঞাসা করে কোনগুলো তখনও কাজ করে যখন শিক্ষার্থী AI নিয়ে একা থাকে; কাঠামোগত পদক্ষেপ - যেমন গ্রেড কী প্রত্যয়ন করে তা বদলানো, বা এমন কাজ যা চিন্তা ছাড়া সম্পন্ন করা যায় না - শিক্ষার্থীদের বলে দেওয়ার চেয়ে বেশি দূরে পৌঁছায় যে প্রক্রিয়াটি গুরুত্বপূর্ণ (Halani, 2026)।

চিন্তা রক্ষার জন্য সরঞ্জামকে সীমাবদ্ধ করা। নয়-সপ্তাহের একটি যুক্তিমূলক-লেখন নকশা শিক্ষক-নির্ধারিত চ্যাটবট সাজিয়েছে যা প্রশ্ন করে কিন্তু শিক্ষার্থীর গদ্য তৈরি করতে অস্বীকার করে, এবং চারজন উচ্চ-বিদ্যালয় শিক্ষার্থী নিষ্ক্রিয় AI ভোক্তা থেকে এমন মূল্যায়নকারীতে পরিণত হয়েছে যারা আউটপুটের বিরুদ্ধে যুক্তি তুলেছে - অগ্রগতি অনুসরণ করেছে কৌশলগত সীমাবদ্ধতা, অবাধ সৃষ্টিশীলতা নয় (Konradt, Boote ও Taub (2026))।

নকশার লিভার হিসেবে রুব্রিক-নির্দেশিত প্রম্পটিং। Yaşar প্রমুখ (2026) দেখিয়েছেন যে রুব্রিক মানব পেডাগজিক্যাল উদ্দেশ্য ও যন্ত্র-অনুমানের মধ্যে মধ্যস্থতাকারী ইন্টারফেস হিসেবে কাজ করে: মূল্যায়ন-মানদণ্ডকে স্থির যন্ত্রের বদলে পুনর্বিবেচনাযোগ্য নকশা-বস্তু হিসেবে বিবেচনা করে LLM-এর সঙ্গে পুনরাবৃত্তিমূলকভাবে পরিমার্জন করলে শিক্ষার্থীর নকশা-কাজে LLM-মানব সম্মতি 54.75% থেকে 81.25%-এ উঠেছে। LLM-এর জন্য তৈরি রুব্রিককে নির্ভুলতা ও নমনীয়তার ভারসাম্য রাখতে হয় - অতিরিক্ত অস্পষ্ট হলে মুক্ত ব্যাখ্যার আমন্ত্রণ, অতিরিক্ত অনমনীয় হলে মডেল প্যাটার্ন-মেলানোয় নেমে আসে - এবং ভূমিকা-সচেতন প্রম্পটিং (প্রশিক্ষক, সহপাঠী সমালোচক, অনুদান-পর্যালোচক) আলাদা মূল্যায়নমূলক ফিডব্যাক দিয়েছে। এটি রুব্রিক ইঞ্জিনিয়ারিংকে AI-মূল্যায়ন-আচরণ গঠনের একটি বাস্তব লার্নিং-ডিজাইন অনুশীলন হিসেবে স্থাপন করে, যেখানে হিউম্যান-ইন-দ্য-লুপ তদারকি অপরিহার্য থাকে।

ইনস্ট্রাকশনাল ডিজাইনের জন্য AI এজেন্ট ক্ষেত্রটিকে এজেন্টিক AI-তে বিস্তৃত করে। ISD-Agent-Bench হলো LLM-ভিত্তিক ইনস্ট্রাকশনাল ডিজাইন এজেন্ট মূল্যায়নের প্রথম প্রমিত, তত্ত্ব-ভিত্তিক বেঞ্চমার্ক - এর 25,795-দৃশ্যপটের Context Matrix (ADDIE-র 51টি প্রসঙ্গ-চলক × 33টি ISD উপ-ধাপ) দেখায় যে ধ্রুপদী ISD কাঠামোতে (ADDIE, Dick & Carey, Rapid Prototyping ISD) ভিত্তিক এজেন্টরা তত্ত্ব-শূন্য এজেন্টদের চেয়ে ভালো করে, যা অভিজ্ঞতাভিত্তিকভাবে প্রমাণ করে যে ইনস্ট্রাকশনাল ডিজাইন একটি কাঠামোবদ্ধ শাস্ত্র, সাধারণ প্রম্পটিং কাজ নয়। এজেন্টরা কেবল নকশার নির্মাতা নয়, তার সমালোচকও: Wang, Mitchell ও Piech (2025) একটি স্বায়ত্তশাসিত ওয়েব এজেন্ট ব্যবহার করেন যা শিক্ষার্থীর মতো একটি বহু-ধাপের অনলাইন পাঠ অনুসরণ করে বাস্তব শিক্ষার্থীদের সম্পৃক্ত হওয়ার আগে একটি লার্নিং ডিজাইন মূল্যায়ন করে - শিক্ষার্থীর অভিজ্ঞতার তার বর্ণনা পূর্বানুমান করে নবীনরা কোথায় ঝরে পড়বে এবং কার্যকর নকশা-ফিডব্যাক দেখায়, যা সব বেসলাইন এবং এমনকি একটি বৈশ্বিক CS1 কোর্সে সিমুলেটেড শিক্ষার্থী-দলকেও ছাড়িয়ে যায়। এটি উৎক্ষেপণ-পূর্ব, এজেন্টিক মূল্যায়নকে মানব নকশা-পুনরাবৃত্তির কম-খরচের পরিপূরক হিসেবে স্থাপন করে। Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design ও Instructional Agents মাল্টি-এজেন্ট কাঠামো অন্বেষণ করে যা ইনস্ট্রাকশনাল-ডিজাইন মডেলের চারপাশে ভূমিকা-ভিত্তিক এজেন্ট সাজায়, যেখানে AI-TPACK পরীক্ষা করে শিক্ষক ও এজেন্টরা কীভাবে যৌথভাবে প্রযুক্তিগত-পেডাগজিক্যাল-কনটেন্ট জ্ঞান প্রয়োগ করে। এই কাজ ইনস্ট্রাকশনাল ডিজাইনকে বেঞ্চমার্কিং, AI Ed Evaluation এবং বড় মাপে পাঠ্যক্রম নকশার সঙ্গে যুক্ত করে।

সন্নিহিত ধারণাগুলোর সঙ্গে সংযোগ

লার্নিং ডিজাইন শিক্ষায় AI-এর সেতু-শাস্ত্র - এটি Curriculum Design (কী শেখানো হবে) কে Scaffolding (শিক্ষার্থীকে কীভাবে সমর্থন করা হবে), শিক্ষামূলক উন্নয়ন (শিক্ষাবিদদের কীভাবে প্রস্তুত করা হবে) এবং Generative AI (সরঞ্জাম নিজেই) এর সঙ্গে যুক্ত করে। এটি শিক্ষাদান-এর সঙ্গে ঘনিষ্ঠভাবে জড়িত কারণ AI সরঞ্জাম লার্নিং ডিজাইনার ও শিক্ষকরা কী করেন তা নতুন রূপ দেয়, এবং এআই সাক্ষরতা-এর সঙ্গেও কারণ কার্যকর AI-সংযোজনের জন্য শিক্ষাবিদদের AI-এর সামর্থ্য ও সীমাবদ্ধতা বোঝা দরকার। নকশা-কাজ শেষ পর্যন্ত একটি কার্যক্রমের ক্রমে নিষ্পত্তি হয়: পেডাগজিক্যাল প্যাটার্ন পরীক্ষিত পদক্ষেপ-ক্রমের তালিকা করে, যাতে একজন নকশাকারী সিদ্ধান্ত নিতে পারেন পাঠের কোন স্থানে AI-এর অবস্থান, কেবল কী অন্তর্ভুক্ত করতে হবে তা নয়। শিক্ষা বিজ্ঞান হলো এই নীতিগুলোর পেছনের গবেষণা-ক্ষেত্র: যেখানে এই পাতা শিখন-অভিজ্ঞতা সৃষ্টির পেশাগত অনুশীলন কভার করে, সেখানে শিক্ষা বিজ্ঞান সেই অনুশীলন ও তার নকশাগুলো অভিজ্ঞতাভিত্তিকভাবে অধ্যয়ন করে এবং সংজ্ঞানাত্মক, প্রেরণামূলক ও সামাজিক নীতিগুলো তৈরি করে যা লার্নিং ডিজাইন পরে কার্যকর করে।

লার্নিং ডিজাইন কীভাবে শিখন-লাভ নির্ধারণ করে

লার্নিং ডিজাইন হলো সেই লিভার যা ঠিক করে AI শিখন-লাভ তৈরি করে নাকি কেবল AI-ফোলানো পারফরম্যান্স। জ্ঞানভিত্তির প্রমাণ এতে সামঞ্জস্যপূর্ণ: একই AI সরঞ্জাম তার চারপাশে শিখন-অভিজ্ঞতা কীভাবে নকশা করা হয়েছে তার ওপর নির্ভর করে বড় লাভ বা নিট ক্ষতি দেয়। Hou প্রমুখ দেখিয়েছেন যে শিখন-তত্ত্বে ভিত্তিক পাঁচ-ধাপের প্রম্পটিং কাঠামো উচ্চতর-ক্রমের সংজ্ঞানাত্মক ফলাফল উল্লেখযোগ্যভাবে উন্নত করেছে, যেখানে কেবল AI-প্রবেশাধিকার তা করেনি; মাইন্ডটুল ও AIRIS কাঠামো শিক্ষার্থীর সংজ্ঞানাত্মক কাজ রক্ষা করে যাতে টেকসই লাভ (কাজের দক্ষতা নয়) ফলিত হয়। যে নকশা-সিদ্ধান্তগুলো Learning Gains রক্ষা করে - এমন স্ক্যাফোল্ডিং যা শিক্ষার্থীর চেষ্টা দাবি করে, সহায়তাহীন ফলাফল-পরিমাপসহ Formative Assessment, এবং পেডাগজিক্যাল গঠন যা শিক্ষার্থীকে কর্তা রাখে - ক্ষেত্রের এই ফলাফলকেই প্রতিফলিত করে (দেখুন Learning Gains) যে AI কোচিং করলে শক্তিশালী লাভ এবং উত্তর দিলে ক্ষতি। বিপরীতে, দুর্বলভাবে নকশাকৃত AI-সংযোজিত পাঠ পারফরম্যান্স-শিখন ফাঁকের শিকার হয়, যেখানে আপাত সাফল্য কোনো শিখন ঢেকে রাখে।

নকশাকারী ও ডেভেলপারদের জন্য ব্যবহারিক নির্দেশনা

ইনস্ট্রাকশনাল ডিজাইনার, কোর্স ডেভেলপার এবং AI-সহায়তাপ্রাপ্ত শিখন-অভিজ্ঞতা তৈরি করা প্রকৌশলীদের জন্য জ্ঞানভিত্তির ফলাফল কার্যকর অনুশীলনে অনূদিত হয়। অনুশীলনগুলোর আগে একটি সীমানা চিহ্নিত করা দরকার: এই পাতা যে লার্নিং ডিজাইনের বর্ণনা দেয় তা হলো একটি জানা দলের জন্য একটি কোর্সের নকশা, যেখানে একই নীতিগুলো এমন একটি পণ্যে গেঁথে দেওয়া যা অনেক কোর্স ব্যবহার করবে - যেসব কোর্স এমন মানুষ শেখাবেন যাঁদের নকশাকারী কখনও দেখবেন না - তা শিক্ষা প্রযুক্তি ডেভেলপারদের কাজ, যেখানে ডিফল্ট, কনফিগারযোগ্যতা ও ডকুমেন্টেশন পেডাগজিক্যাল ওজন বহন করে:

AI সৃষ্টিকে একটি কাঠামোবদ্ধ ইনস্ট্রাকশনাল মডেলে ভিত্তি দিন। AI কনটেন্ট ততটাই ভালো যতটা ভালো তার পেছনের পেডাগজিক্যাল গঠন - মান নির্ধারণ করে স্পষ্ট গঠন, AI-দক্ষতা নয়। একটি স্বীকৃত মডেল (ADDIE, Dick & Carey, র‍্যাপিড প্রোটোটাইপিং) ঘিরে নকশা করুন এবং পেডাগজিক্যাল সিদ্ধান্ত স্পষ্টভাবে সংকেতিত করুন, মডেলের ওপর তা অনুমান করার ভার ছেড়ে দেবেন না।(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)

ইনস্ট্রাকশনাল মডেলের পাশাপাশি একটি নীতি-স্তরের কাঠামো গ্রহণ করুন। কোর্স-স্তরের মডেল একটি নকশাকে গঠন দেয়; প্রকাশিত কাঠামো সেই মানদণ্ড ঠিক করে যা অনেক নকশাকে পূরণ করা উচিত। সম্পূর্ণ পড়ার যোগ্য একটি উদাহরণ হলো Digital Promise-এর Powerful Learning with Emerging Technology, যা তার নির্দেশনাকে তিনটি নীতির অধীনে সাজায় - Evidence-Based, Learner-Centered, Skill-Building - প্রতিটি অনুশীলন ও কৌশলে বিস্তৃত, এবং নির্দিষ্ট অনুশীলনের সঙ্গে Privacy, ব্যাখ্যাযোগ্যতা ও ন্যায্যতাকে ঐচ্ছিক সংযোজন নয়, নিরাপত্তা-বাধ্যবাধকতা হিসেবে যুক্ত করে।(Powerful Learning with Emerging Technology)

AI-এর কনফিগারেশন কাজের সঙ্গে মেলান, আধুনিকতার সঙ্গে নয়। Nalyvaiko (2026) চারটি স্তর আলাদা করেন - প্রম্পট, প্রসঙ্গ, হারনেস এবং যাচাইকৃত লুপ - এবং ন্যূনতম-যথেষ্ট স্তরের নীতি প্রয়োগ করেন: যাচাইযোগ্য ফলাফল দিতে সক্ষম সবচেয়ে কম জটিল কনফিগারেশন ব্যবহার করুন, কারণ বাড়তি অর্কেস্ট্রেশন সমন্বয়, যাচাই, গোপনীয়তা ও বোঝার খরচ আনে।

কনটেন্ট উৎপাদনের জন্য ভূমিকা-ভিত্তিক মাল্টি-এজেন্ট ওয়ার্কফ্লো ব্যবহার করুন। একটি সাধারণ প্রম্পটের বদলে আলাদা এজেন্ট/ভূমিকা (শিক্ষক-মণ্ডলী, ইনস্ট্রাকশনাল ডিজাইনার, কোর্স সমন্বয়ক) সাজান যারা একটি নির্দিষ্ট পাইপলাইনে সহযোগিতা করে - এটি বাস্তব কোর্স-দল কীভাবে কাজ করে তা প্রতিফলিত করে এবং একটি প্রম্পটের চেয়ে বেশি সম্পূর্ণ উপকরণ দেয়।(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)

নির্দেশনা-নির্দেশনা দিন, কেবল AI-প্রবেশাধিকার নয়। শিক্ষার্থীরা সরাসরি AI-এর সঙ্গে মিথস্ক্রিয়া করুক বা AI-উৎপন্ন উপকরণের সঙ্গে, শিখন-তত্ত্বে ভিত্তিক নির্দেশনা (যেমন জেনারেটিভ-শিখন নীতিতে ভিত্তিক ধাপে-ধাপে প্রম্পটিং স্ক্যাফোল্ড) উচ্চতর-ক্রমের ফলাফল চালায়; কেবল প্রবেশাধিকার চালায় না। শিখন-কার্যক্রম নকশা করুন মন কীভাবে শেখে তার চারপাশে, এবং AI-কে সংজ্ঞানাত্মক "মাইন্ডটুল" হিসেবে দেখুন যা চিন্তাকে বর্ধিত করে, প্রতিস্থাপন করে না।(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))

বিস্মরণ মডেল করুন, এবং যেখানে ক্ষয় সবচেয়ে খারাপ সেখানে পুনরালোচনা নির্ধারণ করুন। G4L জ্ঞানক্ষয়কে একটি Ebbinghaus বিস্মরণ-বক্র দিয়ে উপস্থাপন করে যা অতিবাহিত সময় ও পুনরাবৃত্তি দ্বারা চালিত, এবং সবচেয়ে সম্প্রতি যা স্কোর হয়েছে তা আবার দেওয়ার বদলে ক্ষয়ের প্রতি সবচেয়ে ঝুঁকিপূর্ণ এককগুলোকে অগ্রাধিকার দেয় (Csépányi-Fürjes ও Kovács, 2026)।

Fowlin প্রমুখ (2026) AI কোথায় প্রবেশ করবে তা ঠিক করার জন্য একটি সাংগঠনিক পদক্ষেপ যোগ করেন: একটি কার্যক্রমকে সেই উপাদানে ভাগ করুন যা স্বাধীনভাবে সবচেয়ে ভালো হয় এবং যেগুলো AI-এর সঙ্গে যুক্ত হয়ে সবচেয়ে ভালো হয়, শিক্ষাবিদের বিচারকে এই বিভাজনে কেন্দ্রীয় রাখুন (Fowlin প্রমুখ (2026))।

কনটেন্ট অনুসরণযোগ্য ও পুনরালোচনাযোগ্য করুন। একজন মানব নকশাকারী শিক্ষার্থীদের কাছে পৌঁছানোর আগে AI-আউটপুট পুনরালোচনা ও সংশোধন করতে দিন, এবং AI-সৃষ্টি এমনভাবে গঠন করুন যাতে পেডাগজিক্যাল যুক্তি (কেন এই কনটেন্ট, এই ক্রমে) পরিদর্শনযোগ্য হয় - যা মান এবং সেই অস্বচ্ছতা-উদ্বেগ উভয়কেই সম্বোধন করে যা Trust-উৎপন্ন নির্দেশনাকে দুর্বল করে।(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)

• AI-উৎপন্ন মিডিয়া সংশ্লেষণের পরে নয়, স্ক্রিপ্ট পর্যায়ে পুনরালোচনা করুন। PedaCo শিক্ষাবিদ-পুনরালোচনাকে স্ক্রিপ্টের ওপর বসায় - যেখানে পেডাগজিক্যাল ভুল সংশোধন করা সস্তা - কিছু রেন্ডার হওয়ার আগে; রেট করা ইনস্ট্রাকশনাল বৈধতা 3.07 থেকে 3.86-এ উঠেছে, যেখানে সংশ্লেষণ-পরবর্তী স্বয়ংক্রিয় স্তর পাঁচটি মাত্রার কেবল দুটিতে উন্নতি করেছে (Kim, Baek ও Kwak (2026))।

শুরু থেকেই প্রবেশযোগ্যতার জন্য নকশা করুন। AI সরঞ্জাম ও AI-উৎপন্ন উপকরণ তৈরির সময় UDL নীতি প্রয়োগ করুন যাতে সেগুলো বৈচিত্র্যময় শিক্ষার্থীর সেবা করে, ঘটনার পরে প্রবেশযোগ্যতা জোড়া দেওয়ার বদলে।(LUDIA: A Design and Evidence Statement)

বিতরণ-মাধ্যমের জন্য পরিকল্পনা করুন। অনলাইন শিক্ষাদান ও শিখনের জন্য ইনস্ট্রাকশনাল ডিজাইন মুখোমুখি নকশার নিরপেক্ষ অনুবাদ নয় - মাধ্যমটি বদলে দেয় কোন স্ক্যাফোল্ডিং, মূল্যায়ন ও মিথস্ক্রিয়া টিকে থাকতে পারে, এবং AI সুযোগ (স্কেলযোগ্য ব্যক্তিগতকরণ, সর্বক্ষণ সহায়তা) ও ঝুঁকি (নিষ্ঠা, সংজ্ঞানাত্মক অফলোডিং) উভয়ই বহুগুণ করে যা নকশাকারীকে পরিকল্পনা করতে হয়। অনলাইনেও মুখোমুখি প্রসঙ্গের মতোই সচেতনভাবে AI-এর পেডাগজিক্যাল আবরণ নকশা করুন।

অনুভূতির বদলে বেঞ্চমার্কের বিপরীতে মূল্যায়ন করুন। আপনি যদি একটি ইনস্ট্রাকশনাল-ডিজাইন এজেন্ট তৈরি করেন, তবে তাকে একটি প্রমিত, তত্ত্ব-ভিত্তিক বেঞ্চমার্কের বিপরীতে মূল্যায়ন করুন (যেমন ISD-Agent-Bench) যাতে মাপতে পারেন একটি বাস্তব ISD কাঠামোতে ভিত্তি সত্যিই সাধারণ LLM-এর ওপর আউটপুট উন্নত করে কি না।(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)

• AI ইনস্ট্রাকশনাল ডিজাইন অনুশীলনকে নতুন রূপ দিচ্ছে। Kibar ও Ilgaz (2026) 28টি গবেষণা (2020-2025) পদ্ধতিগতভাবে পর্যালোচনা করেন এবং দেখেন AI নকশাকারীদের কনটেন্ট সৃষ্টি, টেমপ্লেট ও ব্যক্তিগতকরণে সহায়তা করে, এবং একে কেবল সরঞ্জাম নয়, সহকর্মী/সহযোগী/অংশীদার হিসেবে ধারণা করা হয় - যদিও পেডাগজিক্যাল সামঞ্জস্য ও অনুশীলনকারীর প্রস্তুতি চ্যালেঞ্জ হিসেবে থাকে।

• নথিভুক্ত কার্যক্রম চক্রের একটি ধাপে ঘনীভূত। AI-সমর্থিত ইনস্ট্রাকশনাল ডিজাইনের 78টি গবেষণার পর্যালোচনায় Design-ধাপের কার্যক্রম দেখা যায় 78টি গবেষণার 74টিতে (95%) এবং Development 44টিতে (56%), যেখানে Analysis পৌঁছায় কেবল 11টিতে (14%), Evaluation 10টিতে (13%) এবং Implementation 7টিতে (9%) - এবং কোনো গবেষণাই সম্পূর্ণ ADDIE চক্র জুড়ে AI-সমর্থন পরীক্ষা করেনি। চক্রটি একটি আকাঙ্ক্ষা যা প্রমাণভিত্তি কভার করে না, যা তাদের জন্য গুরুত্বপূর্ণ যাদের কাছে "AI-চালিত কোর্স উন্নয়ন" এন্ড-টু-এন্ড সামর্থ্য হিসেবে বিক্রি করা হচ্ছে (Spyropoulou ও Kameas, 2026)।

• তিনটি AI ভূমিকা, শ্রেণিবদ্ধভাবে বিতরণকৃত। জেনারেটিভ ব্যবহার - শিক্ষাবিদের নির্দেশনায় AI নকশা-কনটেন্ট তৈরি করা - 96% গবেষণায় প্রাধান্য পায়; স্ক্যাফোল্ডিং ব্যবহার, যেখানে AI নকশাকারীর নিজের যুক্তি গঠন করে, দেখা যায় 35%-এ; মূল্যায়নমূলক ব্যবহার, যেখানে AI নিদর্শনের মান মূল্যায়ন করে, 21%-এ। ক্ষেত্রটি অপ্রতিরোধ্যভাবে AI ব্যবহার করছে জিনিস তৈরির জন্য, নিজের নকশা-সিদ্ধান্ত জিজ্ঞাসাবাদের জন্য নয়, যা পর্যালোচনা শিক্ষাগতভাবে আশাব্যঞ্জক হিসেবে চিহ্নিত করা সমালোচনামূলক-বন্ধু কনফিগারেশনের বিপরীত।

সাধারণ ভুল ধারণা

• "AI পাঠ-পরিকল্পনা শিক্ষকদের সময় ফিরিয়ে দেয়।" পরিকল্পনার সময় সত্যিই কমেছে, সপ্তাহে 3.32 ঘণ্টা থেকে সরঞ্জামসহ 2.51 ঘণ্টায়, কিন্তু মধ্যম শিক্ষক কেবল 21% থেকে 40% পাঠ শূন্য থেকে পরিকল্পনা করেছেন। সময় সাশ্রয় হয়েছে এবং পরিকল্পনা উল্লেখযোগ্যভাবে বেশি পুঙ্খানুপুঙ্খ হয়নি - সাশ্রয় জমেছে, পুনর্বিনিয়োগ হয়নি।
• "AI-এর সঙ্গে সহ-নকশার ভালো প্রমাণ আছে।" শিখন-কাজের শিক্ষক-AI সহ-নকশার একটি পদ্ধতিগত পর্যালোচনা 28টি গবেষণা জুড়ে এই ধরনটিকে বড় মাপে নিশ্চিত করে, যা একটি সামঞ্জস্যপূর্ণ অনুশীলন বর্ণনা করে, উৎকৃষ্ট ফলাফল প্রদর্শন করে না।
• "রুব্রিক একটি স্থির ইনপুট।" রুব্রিক মানব পেডাগজিক্যাল উদ্দেশ্য ও যন্ত্র-অনুমানের মধ্যে মধ্যস্থতাকারী ইন্টারফেস হিসেবে কাজ করে: মূল্যায়ন-মানদণ্ডকে পুনর্বিবেচনাযোগ্য হিসেবে দেখা হলেই যন্ত্রটি শিক্ষাবিদের উদ্দেশ্য বহন করতে পারে। একটি স্থির রুব্রিক যন্ত্রের ডিফল্ট ফ্রেমিংকে মূল্যায়নে হস্তান্তর করে।

সংযুক্ত ধারণা

• Interpreting and Applying AIEd Research
• Pedagogical Partnerships - পেডাগজিক্যাল পার্টনারশিপ
• Online Teaching and Learning - অনলাইন শিক্ষাদান ও শিখন
• Curriculum Design
• Scaffolding
• শিক্ষামূলক উন্নয়ন
• শিক্ষাদান
• এআই সাক্ষরতা
• Generative AI
• Intelligent Tutoring
• Personalized Learning
• Adaptive Learning
• Formative Assessment
• Higher Education
• K-12
• এজেন্টিক AI
• Inclusive Learning
• Universal Design for Learning
• Learning Theories
• Learning Sciences
• Learning Gains
• Behaviorism
• Educational Technology Developers
• Pedagogies and Teaching Strategies - ছাতা: শিক্ষায় AI-এর পেডাগজি ও শিক্ষাদান কৌশল
• Stakeholders - ছাতা: শিক্ষায় AI-এর মানুষ ও দর্শক (শিক্ষার্থী, শিক্ষক, নকশাকারী, প্রশাসক, নীতিনির্ধারক)

সংযুক্ত নিবন্ধ

• Lesson planning using AI lesson assistant, Aila - A Teacher Choices Trial — একটি মাপা পরিকল্পনা-সময়ের সাশ্রয়ের পাশাপাশি এই ফলাফল যে শিক্ষকরা কেবল 21% থেকে 40% পাঠ শূন্য থেকে পরিকল্পনা করেন
• 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 — লার্নিং ডিজাইন সিদ্ধান্ত গ্রহণে LA ও GenAI
• Investigating the Role of Chatbots in Facilitating Learning Design — লার্নিং ডিজাইনে চ্যাটবট ব্যবহার: নকশাকারীরা কনটেন্ট সৃষ্টির বদলে ফলাফল ও পেডাগজিতে সময় দেন (Tang প্রমুখ 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — পাঠ-নকশায় অভিজ্ঞতা ও AI-দক্ষতা জুড়ে শিক্ষক-AI মিথস্ক্রিয়ার ধরন (Choi প্রমুখ 2026)
• Artificial intelligence in higher education: a systematic review of its impact on student engagement and the mediating role of teaching methods — উচ্চ শিক্ষায় AI: সম্পৃক্ততা + শিক্ষাদান পদ্ধতির মধ্যস্থতাকারী ভূমিকা
• 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 — GenAI শিখন-কার্যক্রম শ্রেণিবদ্ধ করার জন্য শ্রেণিবিন্যাস (সীমানা-বস্তু)
• 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 Web Agents: স্বায়ত্তশাসিত ওয়েব এজেন্ট পাঠ-নকশা মূল্যায়ন করে এবং শিক্ষার্থীদের সম্পৃক্ত হওয়ার আগেই ঝরে পড়া পূর্বানুমান করে (Wang, Mitchell ও Piech 2025)
• It's Not the Tool, It's the Task: A Framework for Cognitively Activated AI Augmentation in Physics Instruction — AIRIS: পদার্থবিদ্যায় সংজ্ঞানাত্মকভাবে সক্রিয় AI বর্ধনের একটি কাঠামো
• 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 — Designing for Reach: সাতটি লিভার এবং AI নিয়ে একা শিক্ষার্থী
• Empowering Educators: Operationalizing Age-Old Learning Principles Using AI
• When Saying No Makes Better Videos: Designing Dual Gatekeeping for Pedagogically Grounded AI Content Creation — When Saying No Makes Better Videos: পেডাগজিক্যালভাবে ভিত্তিক AI কনটেন্ট সৃষ্টির জন্য দ্বৈত গেটকিপিং
• ProductiveMath: A Generative-AI-Powered App to Support Productive Failure Teaching — ProductiveMath: উৎপাদনশীল ব্যর্থতা সমস্যা নকশায় সহায়তার জন্য AI
• The Intersection of Artificial Intelligence and Instructional Design Practice: A Systematic Review — AI ও ইনস্ট্রাকশনাল ডিজাইন অনুশীলন: একটি পদ্ধতিগত পর্যালোচনা (Kibar ও Ilgaz 2026)
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — গতিশীল ক্ষেত্রের জন্য গ্রাফ-ভিত্তিক ইন্টেলিজেন্ট টিউটরিং (2026)
• Making AI Annoying on Purpose: When Helpful Tools Don't Always Help — AI-কে ইচ্ছাকৃতভাবে বিরক্তিকর করা: AI-সমর্থিত লেখনে সীমাবদ্ধতা (Konradt, Boote ও Taub 2026)
• Improving Instructional Design Proficiency of Master's Students in Mathematics Education Through Intelligent Educational Technologies — স্মার্ট-শ্রেণিকক্ষ মডেল ও D-T-E লুপ গণিতে M.Ed. ইনস্ট্রাকশনাল ডিজাইন দক্ষতা উন্নত করে (Zhu প্রমুখ 2026)
• Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics — গাণিতিক মডেলিং সমস্যা তৈরির AI-চালিত প্ল্যাটফর্ম (ADDIE, RAG)
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — শিখন-কাজের শিক্ষক-AI সহ-নকশা: প্রবণতা ও দৃষ্টিভঙ্গি (Wang প্রমুখ 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 — AI-নকশাকৃত ভিন্নতামূলক দলগত কার্যক্রমে ভূমিকার স্থাপত্য (Talebzadeh 2026)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — পুনরাবৃত্তিমূলক পেডাগজিক্যাল নকশার এজেন্ট হিসেবে LLM